- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
当我在 numpy 中计算屏蔽数组的梯度时
import numpy as np
import numpy.ma as ma
x = np.array([100, 2, 3, 5, 5, 5, 10, 100])
mx = ma.masked_array(x, mask=[1, 0, 0, 0, 0, 0, 0, 1])
结果数组的掩码与原始掩码不同:
np.gradient(mx)
masked_array(data = [-- -- 1.5 1.0 0.0 2.5 -- --],
mask = [ True True False False False False True True],
fill_value = 999999)
为什么不在"new"边界计算梯度?我怎样才能改变它?
对于中间的屏蔽条目,它会变得更奇怪:
x = np.array([100, 2, 3, 5, 5, 6, 6, 6, 6, 6, 7, 5, 10, 100])
mx = ma.masked_array(x, mask=[1, 0, 0, 0,0, 0,1,0,0,0, 0, 0, 0, 1])
np.gradient(mx)
masked_array(data = [-- -- 1.5 1.0 0.5 -- 0.0 -- 0.0 0.5 -0.5 1.5 ----],
mask = [ True True False False False True False True False False False False
True True],
fill_value = 1e+20)
我希望np.gradient
将 mask 单元视为边界。
更新:
我想做的事:我需要计算数组上的梯度,而不改变掩码,也不改变数组的形状(我最后想要 2d)被掩码的单元不应该对梯度产生影响。屏蔽单元旁边的点应被视为边界并应用单侧差异。
- - - - - - - - - - -
- - - - o o - - o - -
- - - o x x o o x o -
- - - o x o - - o - -
- - - - o - - - - - -
- - - - - - - - - - -
在此草图中,x
表示屏蔽单元,o
是应计算单侧差异的单元(区域边缘的单元需要为 1)也是双面的,但为了清楚起见,我没有在这里画它们)。
最佳答案
我认为原因是您期望 mx
的屏蔽元素在梯度计算过程中要跳过的数组,以便代替在 x = np.array([100, 2, 3, 5, 5, 5, 10, 100])
上计算梯度我们将在 x = np.array([2, 3, 5, 5, 5, 10])
上计算它,但实际行为在某种程度上有所不同 np.ma.MaskedArray
继承自 np.ndarray
和np.gradient()
没有对 np.ndarray
做任何特别的事情或其子类。所以,在 mx = ma.masked_array(x, mask=[1, 0, 0, 0, 0, 0, 0, 1])
的情况下,梯度将在数组上计算:
[--, 2, 3, 5, 5, 5, 10, --]
首先,它将尝试计算第一个元素的梯度,默认情况下一阶差分和步长 h=1
(np.gradient
默认情况下将输入的每个维度中的步骤视为一元。):
gradient[0] = (mx[1] - mx[0]) / h
因为,它取决于mx[0]
mask
不允许使用,gradient[0]
的值将被“True”屏蔽。
当它尝试计算您视为数组新左边界的元素的索引 1 处的梯度时;该元素实际上不是 ndarray
的边界元素。当它计算您认为是新左边界的元素的梯度时,它实际上会使用具有齐次步长的中心差分公式 h
, gradient[1] = (mx[2] - mx[0]) / 2h
,但是因为mx[0]
被屏蔽为无法使用的值,值为 gradient[1]
也无法检索,因此它被掩盖为 True
。同样的情况也发生在数组的另一端。
现在关于掩盖中间的某些内容,假设:
x = np.array([1, 2, 3, 4, 5])
mask = [0, 0, 1, 0, 0]
mx = ma.masked_array(x, mask=mask)
再次应用于 mx 的梯度函数将使用齐次步骤的中心差分公式,并且当我们计算时:
masked_gradient[1] = (mx[2] - mx[0]) / 2h
masked_gradient[3] = (mx[4] - mx[2]) / 2h
这两个值都无法计算,因为 mx[2] 被 True
屏蔽。 。同时:
masked_gradient[2] = (mx[3] - mx[1]) / 2h
可以评估,因为它所依赖的所有值都被屏蔽为 False
,所以结果会有一个掩码:
[0, 1, 0, 1, 0]
和值(value)观:
[1.0, --, 1.0, --, 1.0]
关于python - 掩码数组中的 Numpy 梯度,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/50087413/
作为脚本的输出,我有 numpy masked array和标准numpy array .如何在运行脚本时轻松检查数组是否为掩码(具有 data 、 mask 属性)? 最佳答案 您可以通过 isin
我的问题 假设我有 a = np.array([ np.array([1,2]), np.array([3,4]), np.array([5,6]), np.array([7,8]), np.arra
numpy 是否有用于矩阵模幂运算的内置实现? (正如 user2357112 所指出的,我实际上是在寻找元素明智的模块化减少) 对常规数字进行模幂运算的一种方法是使用平方求幂 (https://en
我已经在 Numpy 中实现了这个梯度下降: def gradientDescent(X, y, theta, alpha, iterations): m = len(y) for i
我有一个使用 Numpy 在 CentOS7 上运行的项目。 问题是安装此依赖项需要花费大量时间。 因此,我尝试 yum install pip install 之前的 numpy 库它。 所以我跑:
处理我想要旋转的数据。请注意,我仅限于 numpy,无法使用 pandas。原始数据如下所示: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
numpy.random.seed(7) 在不同的机器学习和数据分析教程中,我看到这个种子集有不同的数字。选择特定的种子编号真的有区别吗?或者任何数字都可以吗?选择种子数的目标是相同实验的可重复性。
我需要读取存储在内存映射文件中的巨大 numpy 数组的部分内容,处理数据并对数组的另一部分重复。整个 numpy 数组占用大约 50 GB,我的机器有 8 GB RAM。 我最初使用 numpy.m
处理我想要旋转的数据。请注意,我仅限于 numpy,无法使用 pandas。原始数据如下所示: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
似乎 numpy.empty() 可以做的任何事情都可以使用 numpy.ndarray() 轻松完成,例如: >>> np.empty(shape=(2, 2), dtype=np.dtype('d
我在大型 numpy 数组中有许多不同的形式,我想使用 numpy 和 scipy 计算它们之间的边到边欧氏距离。 注意:我进行了搜索,这与堆栈中之前的其他问题不同,因为我想获得数组中标记 block
我有一个大小为 (2x3) 的 numpy 对象数组。我们称之为M1。在M1中有6个numpy数组。M1 给定行中的数组形状相同,但与 M1 任何其他行中的数组形状不同。 也就是说, M1 = [ [
如何使用爱因斯坦表示法编写以下点积? import numpy as np LHS = np.ones((5,20,2)) RHS = np.ones((20,2)) np.sum([ np.
假设我有 np.array of a = [0, 1, 1, 0, 0, 1] 和 b = [1, 1, 0, 0, 0, 1] 我想要一个新矩阵 c 使得如果 a[i] = 0 和 b[i] = 0
我有一个形状为 (32,5) 的 numpy 数组 batch。批处理的每个元素都包含一个 numpy 数组 batch_elem = [s,_,_,_,_] 其中 s = [img,val1,val
尝试为基于文本的多标签分类问题训练单层神经网络。 model= Sequential() model.add(Dense(20, input_dim=400, kernel_initializer='
首先是一个简单的例子 import numpy as np a = np.ones((2,2)) b = 2*np.ones((2,2)) c = 3*np.ones((2,2)) d = 4*np.
我正在尝试平均二维 numpy 数组。所以,我使用了 numpy.mean 但结果是空数组。 import numpy as np ws1 = np.array(ws1) ws1_I8 = np.ar
import numpy as np x = np.array([[1,2 ,3], [9,8,7]]) y = np.array([[2,1 ,0], [1,0,2]]) x[y] 预期输出: ar
我有两个数组 A (4000,4000),其中只有对角线填充了数据,而 B (4000,5) 填充了数据。有没有比 numpy.dot(a,b) 函数更快的方法来乘(点)这些数组? 到目前为止,我发现
我是一名优秀的程序员,十分优秀!