您正在减少两个输入Image
和P
上的最后一个轴。所以,你可以使用np.tensordot
,像这样 -
np.tensordot(Image,P,axes=(-1,-1))
这也可以被其前后表述为np.dot
一些整形,像这样 -
Image.reshape(-1,3).dot(P.T).reshape(Image.shape[:2]+(-1,))
你也可以使用np.einsum
这样的归约运算,像这样 -
np.einsum('ijk,lk->ijl',Image,P)
出于性能,作为一个单独归约运算,没有轴对齐要求,dot-based
解决方案对于大型阵列来说会更快,但对于体积小巧的阵列,einsum
可能会更好。
运行测试
案例#1:
In [46]: # Inputs
...: Image = np.random.randint(0,255,(256,256,3))
...: P = np.random.randint(0,255,(3,3))
...:
In [47]: %timeit change_base(Image,P)
...: %timeit np.tensordot(Image,P,axes=(-1,-1))
...: %timeit Image.reshape(-1,3).dot(P.T).reshape(Image.shape[:2]+(-1,))
...: %timeit np.einsum('ijk,lk->ijl',Image,P)
...:
1 loops, best of 3: 206 ms per loop
100 loops, best of 3: 3.28 ms per loop
100 loops, best of 3: 3.22 ms per loop
100 loops, best of 3: 3.06 ms per loop
案例#2:
In [48]: # Inputs
...: Image = np.random.randint(0,255,(512,512,3))
...: P = np.random.randint(0,255,(3,3))
...:
In [49]: %timeit change_base(Image,P)
...: %timeit np.tensordot(Image,P,axes=(-1,-1))
...: %timeit Image.reshape(-1,3).dot(P.T).reshape(Image.shape[:2]+(-1,))
...: %timeit np.einsum('ijk,lk->ijl',Image,P)
...:
1 loops, best of 3: 845 ms per loop
100 loops, best of 3: 12.8 ms per loop
100 loops, best of 3: 12.7 ms per loop
100 loops, best of 3: 13.4 ms per loop
这是一个3x3矩阵,依据变化的矩阵 – Gericault
所以,做了发布解决方案为你工作? – Divakar