Python 3.x 如何在另一个np.where中使用np.where(conext:光线跟踪)
问题是:如何在同一个语句中使用两个np.where,如下所示(过于简化): 避免在未到达第一个条件语句时计算第二个条件语句 我的第一个目标是找到三角形中光线的交点(如果有)。此问题可通过此算法解决(在stackoverflow上找到): 以下是两个条件语句:Python 3.x 如何在另一个np.where中使用np.where(conext:光线跟踪),python-3.x,numpy,optimization,geometry,Python 3.x,Numpy,Optimization,Geometry,问题是:如何在同一个语句中使用两个np.where,如下所示(过于简化): 避免在未到达第一个条件语句时计算第二个条件语句 我的第一个目标是找到三角形中光线的交点(如果有)。此问题可通过此算法解决(在stackoverflow上找到): 以下是两个条件语句: s1=s2 s3==s4和s4==s5 现在,因为我有>20k个三角形要检查,所以我想同时对所有三角形应用此函数 第一个解决方案是: s1 = vol(r0,tri[:,0,:],tri[:,1,:],tri[:,2,:]) s2 = vo
s1 = vol(r0,tri[:,0,:],tri[:,1,:],tri[:,2,:])
s2 = vol(r1,tri[:,0,:],tri[:,1,:],tri[:,2,:])
s3 = vol(r1,r2,tri[:,0,:],tri[:,1,:])
s4 = vol(r1,r2,tri[:,1,:],tri[:,2,:])
s5 = vol(r1,r2,tri[:,2,:],tri[:,0,:])
np.where((s1!=s2) & (s3+s4==s4+s5),intersect(),False)
其中s1、s2、s3、s4、s5是包含每个三角形的值S的数组。问题是,这意味着我必须计算所有三角形的s3、s4和s5
现在理想情况是仅当语句1为真时才计算语句2(以及s3、s4、s5),如下所示:
check= np.where((s1!=s2),np.where((compute(s3)==compute(s4)) & (compute(s4)==compute(s5), compute(intersection),False),False)
s3= np.sign(dot(np.cross(r0r1, r0t0), r0t1) /6.0)
s4= np.sign(dot(np.cross(r0r1, r0t1), r0t2) /6.0)
s5= np.sign(dot(np.cross(r0r1, r0t2), r0t0) /6.0)
loTrue= np.where((s1!=s2) & (abs(s3-s4)<1e-4) & ( abs(s5-s4)<1e-4) ,True,False)
(为了简化解释,我只说了‘compute’,而不是整个计算过程。这里,‘compute’只在适当的三角形上进行)
当然,这个选项不起作用(并且计算了两次s4),但我很乐意就类似的过程提供一些建议下面是我如何使用屏蔽数组来回答这个问题的:
loTrue= np.where((s1!=s2),False,True)
s3=ma.masked_array(np.sign(dot(np.cross(r0r1, r0t0), r0t1)),mask=loTrue)
s4=ma.masked_array(np.sign(dot(np.cross(r0r1, r0t1), r0t2)),mask=loTrue)
s5=ma.masked_array(np.sign(dot(np.cross(r0r1, r0t2), r0t0)),mask=loTrue)
loTrue= ma.masked_array(np.where((abs(s3-s4)<1e-4) & ( abs(s5-s4)<1e-4),True,False),mask=loTrue)
#also works when computing s3,s4 and s5 inside loTrue, like this:
loTrue= np.where((s1!=s2),False,True)
loTrue= ma.masked_array(np.where(
(abs(np.sign(dot(np.cross(r0r1, r0t0), r0t1))-np.sign(dot(np.cross(r0r1, r0t1), r0t2)))<1e-4) &
(abs(np.sign(dot(np.cross(r0r1, r0t2), r0t0))-np.sign(dot(np.cross(r0r1, r0t1), r0t2)))<1e-4),True,False)
,mask=loTrue)
loTrue=np.where((s1!=s2),False,True)
s3=ma屏蔽数组(np.符号(点(np.交叉(r0r1,r0t0,r0t1)),掩码=loTrue)
s4=ma.屏蔽数组(np.符号(点(np.交叉(r0r1,r0t1,r0t2)),屏蔽=loTrue)
s5=ma屏蔽阵列(np.符号(点(np.交叉(r0r1,r0t2),r0t0)),屏蔽=loTrue)
loTrue=ma.masked_数组(np.where((abs(s3-s4)我可以从短路中获得一个小的加速,但我不认为它值得额外的管理
full computation 4.463818839867599 ms per iteration (one ray, 20,000 triangles)
short ciruciting 3.0060838296776637 ms per iteration (one ray, 20,000 triangles)
代码:
将numpy导入为np
def ilt_切口(q1、q2、p1、p2、p3):
qm=(q1+q2)/2
qd=qm-q2
p12=p1-p2
aux=np.交叉(qd,q2-p2)
s3=np.einsum(“ij,ij->i”,辅助,第12页)
s4=np.einsum(“ij,ij->i”,辅助,p2-p3)
ge=(s3>=0)和(s4>=0)
le=(s3=0)
乐=乐[保持]&(s5=0)&(s4>=0)&(s5>=0)
le=(S3)使用屏蔽数组。它们允许您计算条件,然后仅在条件适用的情况下计算其他内容。条件1不太可能失败吗?这意味着即使您能够短接电路,您也只能保存条件2的一小部分计算结果?您好,感谢您的快速回答!我将尝试第一个选项并返回到你。关于第二条评论,它实际上在“简化”中发生了很多网格。在检查条件一前后的长度时,我从15k三角形到9k三角形。@RolandSireyjol啊,我明白了,我被你的函数名signed_tetra_volume
愚弄了,它不是一个signed四面体体积,而是一个signed四面体体积的符号,也就是方向,我相信。是的,它是另一篇文章中的函数,抱歉造成混淆。顺便说一句,因为我们只使用符号,所以除以6是无用的。在另一点上,请注意,对于某些特定的三角形,此函数将返回0(可能当所有3个点都在同一条线上时,我正在研究).因此,s3=s4或s4=s5等条件不成立,尽管光线穿过三角形)。如果您想了解更多详细信息,我可以提供一些,并在找到后更新修复程序。这种加速非常有用,特别是因为我正在为一个数据集执行此过程,该数据集包含3.5k个元素,每个元素有20k个面,每个元素有11k条光线。节省的每一点时间都会产生巨大的差异。^^。感谢更新,我将尝试它。
s3= np.sign(dot(np.cross(r0r1, r0t0), r0t1) /6.0)
s4= np.sign(dot(np.cross(r0r1, r0t1), r0t2) /6.0)
s5= np.sign(dot(np.cross(r0r1, r0t2), r0t0) /6.0)
loTrue= np.where((s1!=s2) & (abs(s3-s4)<1e-4) & ( abs(s5-s4)<1e-4) ,True,False)
full computation 4.463818839867599 ms per iteration (one ray, 20,000 triangles)
short ciruciting 3.0060838296776637 ms per iteration (one ray, 20,000 triangles)
import numpy as np
def ilt_cut(q1,q2,p1,p2,p3):
qm = (q1+q2)/2
qd = qm-q2
p12 = p1-p2
aux = np.cross(qd,q2-p2)
s3 = np.einsum("ij,ij->i",aux,p12)
s4 = np.einsum("ij,ij->i",aux,p2-p3)
ge = (s3>=0)&(s4>=0)
le = (s3<=0)&(s4<=0)
keep = np.flatnonzero(ge|le)
aux = p1[keep]
qpm1 = qm-aux
p31 = p3[keep]-aux
s5 = np.einsum("ij,ij->i",np.cross(qpm1,p31),qd)
ge = ge[keep]&(s5>=0)
le = le[keep]&(s5<=0)
flt = np.flatnonzero(ge|le)
keep = keep[flt]
n = np.cross(p31[flt], p12[keep])
s12 = np.einsum("ij,ij->i",n,qpm1[flt])
flt = np.abs(s12) <= np.abs(s3[keep]+s4[keep]+s5[flt])
return keep[flt],qm-(s12[flt]/np.einsum("ij,ij->i",qd,n[flt]))[:,None]*qd
def ilt_full(q1,q2,p1,p2,p3):
qm = (q1+q2)/2
qd = qm-q2
p12 = p1-p2
qpm1 = qm-p1
p31 = p3-p1
aux = np.cross(qd,q2-p2)
s3 = np.einsum("ij,ij->i",aux,p12)
s4 = np.einsum("ij,ij->i",aux,p2-p3)
s5 = np.einsum("ij,ij->i",np.cross(qpm1,p31),qd)
n = np.cross(p31, p12)
s12 = np.einsum("ij,ij->i",n,qpm1)
ge = (s3>=0)&(s4>=0)&(s5>=0)
le = (s3<=0)&(s4<=0)&(s5<=0)
keep = np.flatnonzero((np.abs(s12) <= np.abs(s3+s4+s5)) & (ge|le))
return keep,qm-(s12[keep]/np.einsum("ij,ij->i",qd,n[keep]))[:,None]*qd
tri = np.random.uniform(1, 10, (20_000, 3, 3))
p0, p1 = np.random.uniform(1, 10, (2, 3))
from timeit import timeit
A,B,C = tri.transpose(1,0,2)
print('full computation', timeit(lambda: ilt_full(p0[None], p1[None], A, B, C), number=100)*10, 'ms per iteration (one ray, 20,000 triangles)')
print('short ciruciting', timeit(lambda: ilt_cut(p0[None], p1[None], A, B, C), number=100)*10, 'ms per iteration (one ray, 20,000 triangles)')