假设我有一个数组
[[0 2 1]
[1 0 1]
[2 1 1]]
我想把它转换成张量形式
[[[1 0 0]
[0 1 0]
[0 0 0]]
[[0 0 1]
[1 0 1]
[0 1 1]]
[[0 1 0]
[0 0 0]
[1 0 0]]]
其中每个深度层(索引 i
)是一个二进制掩码,显示 i
在输入中出现的位置。
我已经为此编写了代码,它可以正常工作,但速度太慢,无法使用。我可以用另一个向量化操作替换此函数中的循环吗?
def im2segmap(im, depth):
tensor = np.zeros((im.shape[0], im.shape[1], num_classes))
for c in range(depth):
rows, cols = np.argwhere(im==c).T
tensor[c, rows, cols] = 1
return tensor
最佳答案
使用broadcasting
-
(a==np.arange(num_classes)[:,None,None]).astype(int)
或者与builtin
外部比较——
(np.equal.outer(range(num_classes),a)).astype(int)
如果必须使用 int
数据类型或通过跳过 int
转换保留为 boolean
,请使用 uint8
完全是为了进一步插入。
sample 运行-
In [42]: a = np.array([[0,2,1],[1,0,1],[2,1,1]])
In [43]: num_classes = 3 # or depth
In [44]: (a==np.arange(num_classes)[:,None,None]).astype(int)
Out[44]:
array([[[1, 0, 0],
[0, 1, 0],
[0, 0, 0]],
[[0, 0, 1],
[1, 0, 1],
[0, 1, 1]],
[[0, 1, 0],
[0, 0, 0],
[1, 0, 0]]])
要将 depth/num_classes
作为第三个 dim,扩展输入数组,然后与范围数组进行比较 -
(a[...,None]==np.arange(num_classes)).astype(int)
(np.equal.outer(im, range(num_classes))).astype(int)
(np.equal.outer(im, range(num_classes))).astype(np.uint8) # lower prec
关于python - 加快深度的 numpy 整数数组索引,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/50022540/