На этот раз я опустил «Специальный конв». Для более широкой области "просмотр в режиме просмотра" превосходит БПФ, и на последних участках видно, что разница приближается к 100%. Вероятно, потому что с ростом шага подход FFT будет иметь больше потраченных впустую чисел, поэтому «просмотр шага» получает больше преимуществ для маленьких и больших ядер.
ытался реализовать пошаговую свертку двумерного массива, используя цикл for, т.е.
arr = np.array([[2,3,7,4,6,2,9],
[6,6,9,8,7,4,3],
[3,4,8,3,8,9,7],
[7,8,3,6,6,3,4],
[4,2,1,8,3,4,6],
[3,2,4,1,9,8,3],
[0,1,3,9,2,1,4]])
arr2 = np.array([[3,4,4],
[1,0,2],
[-1,0,3]])
def stride_conv(arr1,arr2,s,p):
beg = 0
end = arr2.shape[0]
final = []
for i in range(0,arr1.shape[0]-1,s):
k = []
for j in range(0,arr1.shape[0]-1,s):
k.append(np.sum(arr1[beg+i : end+i, beg+j:end+j] * (arr2)))
final.append(k)
return np.array(final)
stride_conv(arr,arr2,2,0)
В результате получается массив 3 * 3:
array([[ 91, 100, 88],
[ 69, 91, 117],
[ 44, 72, 74]])
Есть ли функция numpy или функция scipy, чтобы сделать то же самое? Мой подход не так хорош. Как я могу векторизовать это?