Python Tensorflow中动态时间扭曲的实现

我已经重写了一个从普通python到Tensorflow的动态时间扭曲。但它真的很慢——比预先计算距离并将它们作为数据加载到Tensorflow中要慢得多。我不明白它为什么慢或者如何改进它

我还尝试过使用autograph转换其他DTW实现，但没有成功。有什么建议吗

def tfDTW(s1, s2):
  r = tf.cast(tf.shape(s1)[0], tf.int32)
  c = tf.cast(tf.shape(s2)[0], tf.int32)
  window = tf.math.reduce_max([r,c])
  max_step = max_dist = 1e7
  penalty = psi = tf.constant(0, dtype=tf.float64)
  length =  tf.math.reduce_min([c + 1, tf.math.abs(r - c) + 2 * (window - 1) + 1 + 1 + 1])
  indices = [0,-1]
  dtw = tf.one_hot(indices, depth = length,
             on_value=0.0, off_value=1e7,
             axis=-1)  # output: [2,length]
  dtw=tf.cast(dtw, tf.float64)
  last_under_max_dist = tf.constant(0)
  skip = tf.constant(0)
  i0 = tf.constant(1)
  i1 = tf.constant(0)
  psi_shortest = 1e7
  #
  #
  def condition1(i, r, dtw, i0, i1, skip, last_under_max_dist):
    return tf.less(i, r)
  def body1(i, r, dtw, i0, i1, skip, last_under_max_dist):
    #
    #
    prev_last_under_max_dist = tf.cond(tf.equal(last_under_max_dist, -1), lambda: tf.cast(tf.constant(1e7), tf.int32), lambda: last_under_max_dist)
    last_under_max_dist = tf.constant(-1)
    skipp = skip
    skip = tf.reduce_max([0, i - tf.reduce_max([0, r - c]) - window + 1])
    i0 = 1 - i0
    i1 = 1 - i1
    dtw = tf.cond(tf.equal(i1, 0), lambda: tf.concat([tf.fill([1, length], tf.constant(1e7, dtype=tf.float64)), [dtw[1]]], 0), lambda: tf.concat([[dtw[0]], tf.fill([1, length], tf.constant(1e7, dtype=tf.float64))], 0) ) #dtw[i1, :] = np.inf
    j_start = tf.reduce_max([0, i - tf.reduce_max([0, r - c]) - window + 1])
    j_end = tf.reduce_min([c, i + tf.reduce_max([0, c - r]) + window])
    skip = tf.constant(0) #tf.cond(tf.equal(dtw.get_shape()[1], c+1), lambda: 0, lambda: skip )
    #if psi != 0 and j_start == 0 and i < psi:            dtw[i1, 0] = 0 #psi always ==0    
    def condition2(j, dtw, j_start, j_end, last_under_max_dist, prev_last_under_max_dist, skip, skipp):
      return tf.math.logical_and(tf.greater(j, j_start-1), tf.less(j,j_end))    
    def body2(j, dtw, j_start, j_end, last_under_max_dist, prev_last_under_max_dist, skip, skipp):
      d = (tf.gather(s1, i) - tf.gather(s2, j))*(tf.gather(s1, i) - tf.gather(s2, j))
      d = tf.cast(d, tf.float64)
      minval = tf.cast(tf.math.reduce_min([dtw[i0, j - skipp],
                                           dtw[i0, j + 1 - skipp] + penalty,
                                           dtw[i1, j - skip] + penalty]), tf.float64)
      indices = tf.cond(tf.equal(i1, 0), lambda: tf.stack([j + 1 - skip, -1] ), lambda: tf.stack([-1, j + 1 - skip]) )
      minusdtw = tf.one_hot(indices, depth = length,
                            on_value=-1*dtw[i1, j + 1 - skip], off_value=tf.constant(0.0, dtype=tf.float64),
                            axis=-1)     # output: [2,length]
      replacement = tf.one_hot(indices, depth = length,
                               on_value=tf.reduce_min([d + minval, 1e7]), off_value=tf.constant(0.0, dtype=tf.float64),
                               axis=-1)  # output: [2,length]
      dtw = dtw + minusdtw + replacement
      last_under_max_dist = j
      return tf.add(j, 1), dtw, j_start, j_end, last_under_max_dist, prev_last_under_max_dist, skip, skipp    
    #
    b = tf.while_loop(condition2, body2, [j_start, dtw, j_start, j_end, last_under_max_dist, prev_last_under_max_dist, skip, skipp ],
                      [j_start.get_shape(), tf.TensorShape((2,None)), j_start.get_shape(), j_end.get_shape(), last_under_max_dist.get_shape(), prev_last_under_max_dist.get_shape(), skip.get_shape(), skipp.get_shape() ])
    return tf.add(i, 1), r, b[1], i0, i1, skip, b[4]
  #
  a = tf.while_loop(condition1, body1, [tf.constant(0), r, dtw, i0, i1, skip, tf.constant(0) ],
                    [tf.constant(0).get_shape(), r.get_shape(), tf.TensorShape((None,None)), i0.get_shape(), i1.get_shape(), skip.get_shape(), tf.constant(0).get_shape() ])
  maindtw = a[2]
  d = tf.math.sqrt(maindtw [a[4]][ tf.reduce_min([c, c + window - 1]) - skip])
  return d


import tensorflow as tf
import numpy as np

graph = tf.Graph()
sess = tf.InteractiveSession()

s1 = tf.constant([10, 0, 1, 2, 1, 0, 1, 0, 0,14,22])
s2 = tf.constant([10, 1, 2, 0, 0, 0, 0])
tfDTW(s1, s2).eval() #26.13426869074396

def tfDTW（s1、s2）：
r=tf.cast（tf.shape（s1）[0]，tf.int32）
c=tf.cast（tf.shape（s2）[0]，tf.int32）
window=tf.math.reduce_max（[r，c]）
最大步长=最大距离=1e7
惩罚=psi=tf.constant（0，dtype=tf.float64）
length=tf.math.reduce_min（[c+1，tf.math.abs（r-c）+2*（窗口-1）+1+1+1]））
指数=[0，-1]
dtw=tf.one_hot（指数，深度=长度，
on_值=0.0，off_值=1e7，
轴=-1）#输出：[2，长度]
dtw=tf.cast（dtw，tf.float64）
最大距离下的最后一个距离=tf.常数（0）
skip=tf.常数（0）
i0=tf.常数（1）
i1=tf.常数（0）
psi_最短=1e7
#
#
定义条件1（i、r、dtw、i0、i1、跳过、最大距离下的最后一个）：
返回tf.less（i，r）
def body1（i、r、dtw、i0、i1、跳过、最大距离下的最后一个）：
#
#
最大距离下的上一个最后一个=tf.cond（tf.equal（最大距离下的最后一个，-1），lambda:tf.cast（tf.constant（1e7），tf.int32），lambda:max\u距离下的最后一个）
最大距离下的最后一个距离=tf.常数（-1）
跳过
skip=tf.reduce\u max（[0，i-tf.reduce\u max（[0，r-c]）-窗口+1]）
i0=1-i0
i1=1-i1
dtw=tf.cond（tf.equal（i1，0），lambda:tf.concat（[tf.fill（[1，length]，tf.constant（1e7，dtype=tf.float64）），[dtw[1]]]，0），lambda:tf.concat（[dtw[0]]，tf.fill（[1，length]，tf.constant（1e7，dtype=tf.float64）），0））#dtw[i1，：=np.inf
j_start=tf.reduce_max（[0，i-tf.reduce_max（[0，r-c]）-window+1]）
j_end=tf.reduce_min（[c，i+tf.reduce_max（[0，c-r]）+window]））
skip=tf.constant（0）#tf.cond（tf.equal（dtw.get_shape（）[1]，c+1），lambda:0，lambda:skip）
#如果psi！=0和j#u start==0和i

如果您正在进行一次DTW，则很难加快速度

但是，如果要执行许多DTW调用，可以将其摊销到O（1）

看

---

另请参见

你有申请表吗？@Astarixi我刚有，谢谢你的建议。整个操作在tensorflow中大约需要0.036秒，但在R（dtw包）中需要0.0003秒，因此在R中需要快100倍。根据探查器，仅逻辑_和操作需要0.004秒，因此我们可能会遇到问题。