Python Numpy视图在不复制的情况下重塑形状（二维移动/滑动窗口、跨步、屏蔽内存结构）

我将图像存储为2d numpy数组（可能是多维数组）

我可以在该数组上创建一个反映2d滑动窗口的视图，但是当我重新调整它的形状，使每一行都是一个平坦的窗口（行是窗口，列是该窗口中的一个像素）时，python会生成一个完整副本。这是因为我使用的是典型的步幅技巧，而新形状在内存中不是连续的

我需要这个，因为我要将整个大图像传递给sklearn分类器，该分类器接受2d矩阵，其中没有批处理/部分拟合过程，并且完整的扩展副本对于内存来说太大

我的问题是：有没有一种方法可以在不完全复制视图的情况下实现这一点

我相信答案要么是（1）我忽略的关于Strips或numpy内存管理的内容，要么是（2）python的某种屏蔽内存结构，它可以模拟numpy数组，甚至可以模拟包含cython的外部包，如sklearn

在内存中的2d图像的移动窗口上进行训练的任务很常见，但我所知道的直接解释补丁的唯一尝试是Vigra项目（）

谢谢你的帮助

>>> A=np.arange(9).reshape(3,3)
>>> print A
[[0 1 2]
 [3 4 5]
 [6 7 8]]
>>> xstep=1;ystep=1; xsize=2; ysize=2
>>> window_view = np.lib.stride_tricks.as_strided(A, ((A.shape[0] - xsize + 1) / xstep, (A.shape[1] - ysize + 1) / ystep, xsize, ysize),
...       (A.strides[0] * xstep, A.strides[1] * ystep, A.strides[0], A.strides[1]))
>>> print window_view 
[[[[0 1]
   [3 4]]

  [[1 2]
   [4 5]]]


 [[[3 4]
   [6 7]]

  [[4 5]
   [7 8]]]]
>>> 
>>> np.may_share_memory(A,window_view)
True
>>> B=window_view.reshape(-1,xsize*ysize)
>>> np.may_share_memory(A,B)
False

---

您的任务不可能只使用步幅，但NumPy确实支持 一种执行此任务的数组。带跨步和

掩蔽阵列

您可以为数据创建所需的视图。然而，并非所有 NumPy函数支持使用

掩码_数组进行操作，因此
可能scikit learn也不能很好地处理这些问题

让我们先来看看我们在这里尝试做什么。
考虑示例的输入数据。基本上，数据是
内存中只有一个一维数组，如果我们考虑
这是一种进步。阵列看起来只是二维的，因为我们
确定了它的形状。使用步幅，可以定义形状
像这样：

from numpy.lib.stride_tricks import as_strided

base = np.arange(9)
isize = base.itemsize
A = as_strided(base, shape=(3, 3), strides=(3 * isize, isize))

现在的目标是将这种步幅设置为
base
，以便它命令
像末端数组中的数字，
B
。换句话说，我们要求
整数
a
和
b
使得

>>> as_strided(base, shape=(4, 4), strides=(a, b))
array([[0, 1, 3, 4],
       [1, 2, 4, 5],
       [3, 4, 6, 7],
       [4, 5, 7, 8]])

但这显然是不可能的。我们能达到的最接近的视角是
这是一个滚动窗口，位于基础上：

>>> C = as_strided(base, shape=(5, 5), strides=(isize, isize))
>>> C
array([[0, 1, 2, 3, 4],
       [1, 2, 3, 4, 5],
       [2, 3, 4, 5, 6],
       [3, 4, 5, 6, 7],
       [4, 5, 6, 7, 8]])

但是这里的区别是我们有额外的列和行，这
我们想摆脱。因此，实际上我们要求的是
滚动窗口，该窗口不是连续的，并且在规则位置进行跳跃
间隔。在这个例子中，我们希望每三个项目
从窗口中排除，并在两行后跳过一项

我们可以将其描述为一个
掩蔽数组
：

>>> mask = np.zeros((5, 5), dtype=bool)
>>> mask[2, :] = True
>>> mask[:, 2] = True
>>> D = np.ma.masked_array(C, mask=mask)

这个数组正好包含我们想要的数据，它只是一个
查看原始数据。我们可以确认数据是相等的

>>> D.data[~D.mask].reshape(4, 4)
array([[0, 1, 3, 4],
       [1, 2, 4, 5],
       [3, 4, 6, 7],
       [4, 5, 7, 8]])

但正如我在开始时所说，scikit很可能会学习
不理解掩码数组。如果它只是将其转换为
数组，则数据将出错：

>>> np.array(D)
array([[0, 1, 2, 3, 4],
       [1, 2, 3, 4, 5],
       [2, 3, 4, 5, 6],
       [3, 4, 5, 6, 7],
       [4, 5, 6, 7, 8]])

我认为这是不可能的，即使你将
数组传递给sklearn分类器，我认为如果数据不是连续的，大多数（如果不是全部的话）分类器都会复制你的数据。是的，我很确定这是不可能的。很抱歉如果你有办法，请告诉我；）另外：直接输入图像可能不是一个好主意，计算功能可能会解决您的问题。根据numpy规则，明确排除第（1）项，
sklearn.feature\u extraction.image.extract\u patches
为您提供的正是您所谈论的视图，重塑它肯定会复制。您确定一次需要多个图像的所有补丁吗？无论您的目标是什么，您都可能希望研究在线/批处理算法。例如，试试
sgdclassizer
。@HYRY实际上取决于估计器。连续数据通常不是必需的。您的答案是与的相关链接。OP希望在不复制的情况下重塑块视图。你的屏蔽很诱人-除了许多
ma
函数通过使用
filled
将屏蔽值替换为无害值（例如
filled（0）
表示
ma.sum
）。这是每个屏蔽操作的临时副本。