我发现为了从步长 1生成(X - x + 1, Y - y + 1)大小的补丁，图像要求我们将步长参数指定为or 。我不知道他们知道没有的情况下是如何快速计算出来的。conv2d 中的步数(x,y)(X,Y)img.strides * 2img.strides + img.strides
但是我应该怎么做才能((X-x)/stride)+1, ((Y-y)/stride)+1从相同大小的图像中以stride步幅获得相同大小的补丁？
从这个 SO答案 稍加修改，通道和图像数量放在前面
def patchify(img, patch_shape):
a,b,X, Y = img.shape # a images and b channels
x, y = patch_shape
shape = (a, b, X - x + 1, Y - y + 1, x, y)
a_str, b_str, X_str, Y_str = img.strides
strides = (a_str, b_str, X_str, Y_str, X_str, Y_str)
return np.lib.stride_tricks.as_strided(img, shape=shape, strides=strides)
我可以看到它创建了一个大小为 (x,y) 且步幅为 1（向右移动 1 个像素并向下移动 1 个像素）的滑动窗口。我无法将使用的步幅参数as_strided与我们通常用于 conv2d 的步幅相关联。
如何向上述计算as_strided步幅参数的函数添加参数？
def patchify(img, patch_shape, stride): # stride=stepsize in conv2d eg: 1,2,3,...
a,b,X,Y = img.shape # a images and b channels
x, y = patch_shape
shape = (a,b,((X-x)/stride)+1, ((Y-y)/stride)+1, x, y)
strides = ??? # strides for as_strided
return np.lib.stride_tricks.as_strided(img, shape=shape, strides=strides)
img 是 4d (a, b, X, Y)
a=no.of 图像， b= 频道数， (X,Y) = 宽度和高度注意：stride in conv2d我的意思stepsize 是不幸的是，这也称为 stride。
注 2：由于stepsize通常在两个轴上都相同，因此在我提供的代码中，我只提供了一个参数，但将其用于两个维度。
游乐场：strides 这里有什么用。我让它在stepsize=1 这里运行。我注意到它可能无法从链接中工作，但在粘贴到新操场时却能工作。
这应该清楚地说明我需要什么：
[[ 0.5488135 0.71518937 0.60276338 0.54488318]
[ 0.4236548 0.64589411 0.43758721 0.891773 ]
[ 0.96366276 0.38344152 0.79172504 0.52889492]
[ 0.56804456 0.92559664 0.07103606 0.0871293 ]]
# patch_size = 2x2
# stride = 1,1
[[[[ 0.5488135 0.71518937]
[ 0.4236548 0.64589411]]
[[ 0.71518937 0.60276338]
[ 0.64589411 0.43758721]]
[[ 0.60276338 0.54488318]
[ 0.43758721 0.891773 ]]]
[[[ 0.4236548 0.64589411]
[ 0.96366276 0.38344152]]
[[ 0.64589411 0.43758721]
[ 0.38344152 0.79172504]]
[[ 0.43758721 0.891773 ]
[ 0.79172504 0.52889492]]]
[[[ 0.96366276 0.38344152]
[ 0.56804456 0.92559664]]
[[ 0.38344152 0.79172504]
[ 0.92559664 0.07103606]]
[[ 0.79172504 0.52889492]
[ 0.07103606 0.0871293 ]]]]
# stride = 2,2
[[[[[[ 0.5488135 0.71518937]
[ 0.4236548 0.64589411]]
[[ 0.60276338 0.54488318]
[ 0.43758721 0.891773 ]]]
[[[ 0.96366276 0.38344152]
[ 0.56804456 0.92559664]]
[[ 0.79172504 0.52889492]
[ 0.07103606 0.0871293 ]]]]]]
# stride = 2,1
[[[[ 0.5488135 0.71518937]
[ 0.4236548 0.64589411]]
[[ 0.71518937 0.60276338]
[ 0.64589411 0.43758721]]
[[ 0.60276338 0.54488318]
[ 0.43758721 0.891773 ]]]
[[[ 0.96366276 0.38344152]
[ 0.56804456 0.92559664]]
[[ 0.38344152 0.79172504]
[ 0.92559664 0.07103606]]
[[ 0.79172504 0.52889492]
[ 0.07103606 0.0871293 ]]]]
这是一种方法 -
def patchify(img, patch_shape, stepsize_x=1, stepsize_y=1):
strided = np.lib.stride_tricks.as_strided
x, y = patch_shape
p,q = img.shape[-2:]
sp,sq = img.strides[-2:]
out_shp = img.shape[:-2] + (p-x+1,q-y+1,x,y)
out_stride = img.strides[:-2] + (sp,sq,sp,sq)
imgs = strided(img, shape=out_shp, strides=out_stride)
return imgs[...,::stepsize_x,::stepsize_y,:,:]
样品运行 -
1]输入：
In [156]: np.random.seed(0)
In [157]: img = np.random.randint(11,99,(2,4,4))
In [158]: img
Out[158]:
array([[[55, 58, 75, 78],
[78, 20, 94, 32],
[47, 98, 81, 23],
[69, 76, 50, 98]],
[[57, 92, 48, 36],
[88, 83, 20, 31],
[91, 80, 90, 58],
[75, 93, 60, 40]]])
2]输出 - 案例#1：
In [159]: patchify(img, (2,2), stepsize_x=1, stepsize_y=1)[0]
Out[159]:
array([[[[55, 58],
[78, 20]],
[[58, 75],
[20, 94]],
[[75, 78],
[94, 32]]],
[[[78, 20],
[47, 98]],
[[20, 94],
[98, 81]],
[[94, 32],
[81, 23]]],
[[[47, 98],
[69, 76]],
[[98, 81],
[76, 50]],
[[81, 23],
[50, 98]]]])
3]输出 - 案例#2：
In [160]: patchify(img, (2,2), stepsize_x=2, stepsize_y=1)[0]
Out[160]:
array([[[[55, 58],
[78, 20]],
[[58, 75],
[20, 94]],
[[75, 78],
[94, 32]]],
[[[47, 98],
[69, 76]],
[[98, 81],
[76, 50]],
[[81, 23],
[50, 98]]]])
4]输出 - 案例#3：
In [161]: patchify(img, (2,2), stepsize_x=2, stepsize_y=2)[0]
Out[161]:
array([[[[55, 58],
[78, 20]],
[[75, 78],
[94, 32]]],
[[[47, 98],
[69, 76]],
[[81, 23],
[50, 98]]]])
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句