选择转换方法#
- scipy.signal.choose_conv_method(in1, in2, mode='full', measure=False)[源代码][源代码]#
找到最快的卷积/相关方法。
这主要是为了在
convolve和correlate中使用method='auto'选项时被调用。它还可以用于确定许多相同 dtype/shape 的不同卷积的method值。此外，它支持对卷积进行计时，以根据特定的输入和/或硬件调整method的值。- 参数:
- 在1array_like
传递给卷积函数的第一个参数。
- in2array_like
传递给卷积函数的第二个参数。
- 模式str {‘full’, ‘valid’, ‘same’}, 可选
一个表示输出大小的字符串：
full输出是输入的完整离散线性卷积。（默认）
valid输出仅包含那些不依赖于零填充的元素。
same输出的大小与 in1 相同，相对于 ‘full’ 输出居中。
- 测量bool, 可选
如果为 True，则运行并计时 in1 和 in2 的卷积，使用两种方法并返回最快的方法。如果为 False（默认），则使用预计算的值预测最快的方法。
- 返回:
- 方法str
一个字符串，指示哪种卷积方法最快，可以是 ‘direct’ 或 ‘fft’
- 时间dict, 可选
包含每个方法所需时间（以秒为单位）的字典。仅当
measure=True时返回此值。
注释
通常，这种方法对于随机选择的输入大小的2D信号准确率为99%，对于1D信号准确率为85%。为了精确度，使用
measure=True来通过计时卷积找到最快的方法。这可以用来避免以后找到最快method的微小开销，或者根据特定的输入集调整method的值。实验在Amazon EC2 r5a.2xlarge机器上运行，以测试此功能。这些实验测量了使用``method=’auto’
所需时间与最快方法所需时间之间的比率（即，``ratio = time_auto / min(time_fft, time_direct)）。在这些实验中，我们发现：对于1D信号，该比率小于1.5的概率为95%；对于2D信号，该比率小于2.5的概率为99%。
对于1D/2D信号，比率始终小于2.5/5。
对于使用
method='direct'且耗时在 1 到 10 毫秒之间的 1D 卷积，此函数最不准确。一个好的代理（至少在我们的实验中）是1e6 <= in1.size * in2.size <= 1e7。
2D 结果几乎可以肯定地推广到 3D/4D/等，因为实现方式是相同的（1D 实现方式不同）。
以上所有数字都是针对EC2机器的。然而，我们确实发现这个函数在硬件上的泛化效果相当不错。速度测试的质量与在该机器上进行相同测试的质量相当（甚至略好），该机器用于调整此函数的数字（一台2014年中期的15英寸MacBook Pro，配备16GB RAM和2.5GHz Intel i7处理器）。
在某些情况下，
fftconvolve支持输入，但此函数返回 `direct`（例如，以防止浮点整数精度问题）。Added in version 0.19.
示例
估计给定输入的最快方法：
>>> import numpy as np >>> from scipy import signal >>> rng = np.random.default_rng() >>> img = rng.random((32, 32)) >>> filter = rng.random((8, 8)) >>> method = signal.choose_conv_method(img, filter, mode='same') >>> method 'fft'
这可以应用于具有相同 dtype 和形状的其他数组：
>>> img2 = rng.random((32, 32)) >>> filter2 = rng.random((8, 8)) >>> corr2 = signal.correlate(img2, filter2, mode='same', method=method) >>> conv2 = signal.convolve(img2, filter2, mode='same', method=method)