纽比步态招数抱怨“阵法太大”，为什么？

Question

在numpy（1.8）中，为了获得更好的性能，我希望将这种计算从Python循环中移到更加numpy的地方：

(width, height) = base.shape
(toolw, toolh) = tool.shape
for i in range(0, width-toolw):
    for j in range(0, height-toolh):
        zdiff[i,j] = (tool - base[i:i+toolw, j:j+toolh]).min()

base是一个~2000x2000数组，tool是一个25x25数组。（背景背景：基地和工具是高度地图，我正在试图找出最接近的方法，工具在基地移动。）

我试着用跨步技巧，从这个开始：

^{pr2}$

这将使base_view[10,20]成为（10，20）左上角底数为25x25的值数组。在

然而，这是失败的“数组太大”。从值测试来看，当数组的潜在大小（例如2000*2000*25*25*8）超过2^32 ish时，它会报告此问题，并触发溢出检查，从而将所有维度相乘。（我正在安装32位Python）。在

我觉得我遗漏了一些东西——当步幅值明显有效时，为什么不让我创建这个“步幅视图”？有没有办法强迫你这么做？在

更一般地说，有没有办法优化我上面的循环？在

更新：准确错误：

ValueError                                Traceback (most recent call last)
<ipython-input-14-313b3d6c74fa> in <module>()
----> 1 newa = np.lib.stride_tricks.as_strided(base, shape=(1000, 1000, 25, 25), strides=(base.strides * 2))

C:\Python27\lib\site-packages\numpy\lib\stride_tricks.pyc in as_strided(x, shape, strides)
     28     if strides is not None:
     29         interface['strides'] = tuple(strides)
---> 30     array = np.asarray(DummyArray(interface, base=x))
     31     # Make sure dtype is correct in case of custom dtype
     32     array.dtype = x.dtype

C:\Python27\lib\site-packages\numpy\core\numeric.pyc in asarray(a, dtype, order)
    458 
    459     """
--> 460     return array(a, dtype, copy=False, order=order)
    461 
    462 def asanyarray(a, dtype=None, order=None):

ValueError: array is too big.

Answer 1

我真的不能帮助您使用Strates方法，但是有一个方法应该比您的原始代码更快。它在tool数组上循环，而不是在base数组上循环，这意味着，尽管没有完全矢量化，仍有很多工作要做。在

请注意，在您的原始代码中，我更改了范围并切换了宽度和高度，因为我假设这正是您想要的。。在

import numpy as np

height, width = 500, 500
toolh, toolw = 6, 6

base = np.random.rand(height, width)
tool = np.random.rand(toolh, toolw)

m, n = height-toolh+1, width-toolw+1

def height_diff_old(base, tool):
    zdiff = np.empty((m, n))
    for i in range(m):
        for j in range(n):
            zdiff[i, j] = (tool - base[i:i+toolh, j:j+toolw]).min()
    return zdiff

def height_diff_new(base, tool):
    zdiff = np.empty((m, n))
    zdiff.fill(np.inf)
    for i in range(toolh):
        for j in range(toolw):
            diff_ij = tool[i, j] - base[i:i+m, j:j+n]
            np.minimum(zdiff, diff_ij, out=zdiff)
    return zdiff

当然，您需要计算实际函数中的高度和宽度，但为了测试，将它们作为全局变量更容易。

对于给定的数组大小，原始代码在7.38秒内运行，而新代码在我的系统上只需要206毫秒。我假设新代码对于数组大小也更快，但我不确定它的扩展程度:)

其他可能对您感兴趣或不感兴趣的替代品是使用Numba或Cython，在许多情况下，这应该比您想到的任何“矢量化”numpy代码都要快。。在