Python 如何使用numpy优化三维阵列计算？

我对3d阵列数据有一个回归问题。阵列的大小是（350，350，50），我需要对每个像素进行回归处理；例如，对每个（1，1，50）数组进行回归，然后重复350 x 350次

我用Numpy编写代码，它在每个过程中运行

行、列、深度=image\u sequence.shape
对于范围（0，第行）中的i：
对于范围（0，列）内的j：
Ytrain=图像_序列[i，j:]
新的_堆栈[i，j:]=回归_过程（Ytrain）

“行”是350
“col”是350

根据我的推断，每个序列的计算时间需要5秒。 这意味着，由于它应该被计算为350x350序列，它将在大约7天后完成

我想知道如何优化这个过程并提前完成它

---

我认为这与一些并行处理有关，但我不习惯。

最基本的方法是对回归过程进行编码，使其以（n，50）的数组作为输入，n是任意数。我举一个简单的例子，只计算平均值

def回归_过程（图像）：
长度=图像。形状[1]
新堆栈=np.sum（图像，轴=1）
返回新的\u堆栈/长度

new_stack=回归过程（图像序列。重塑（行*列，深度））
新堆栈。重塑（行、列、深度）

假设

回归\u过程

确实是一个5s每次呼叫的瓶颈，没有改进的希望，那么并行处理就是这样。在这种情况下，是重复的，但可以说没有给出一个直接的答案。如果你的函数

回归过程

需要5秒，你需要调用它350x350次，那么你需要的是优化这个特定的函数。