오디오 또는 이미지 배열에서 일부 처리를 수행 한 후에는 파일로 다시 쓰기 전에 범위 내에서 정규화해야합니다. 다음과 같이 할 수 있습니다 :
# Normalize audio channels to between -1.0 and +1.0
audio[:,0] = audio[:,0]/abs(audio[:,0]).max()
audio[:,1] = audio[:,1]/abs(audio[:,1]).max()
# Normalize image to between 0 and 255
image = image/(image.max()/255.0)덜 장황하고 편리한 기능 방법이 있습니까? matplotlib.colors.Normalize()관련이없는 것 같습니다.
답변:
audio /= np.max(np.abs(audio),axis=0)
image *= (255.0/image.max())사용 /=및 *=따라서 일부 메모리를 저장, 당신은 중간 임시 배열을 제거 할 수 있습니다. 곱셈은 나눗셈보다 비싸지 않으므로
image *= 255.0/image.max() # Uses 1 division and image.size multiplications보다 약간 빠르다
image /= image.max()/255.0 # Uses 1+image.size divisions여기서는 기본적인 numpy 메소드를 사용하고 있기 때문에 이것이 가능한 한 numpy의 효율적인 솔루션이라고 생각합니다.
전체 작업은 컨테이너 배열의 dtype을 변경하지 않습니다. 원하는 정규화 된 값은 부동 소수점이므로 in-place 연산을 수행하기 전에 audio및 image배열에 부동 소수점 dtype이 있어야합니다. 아직 부동 소수점 dtype이 아닌 경우을 사용하여 변환해야합니다 astype. 예를 들어
image = image.astype('float64')배열에 양수 데이터와 음수 데이터가 모두 포함되어 있으면 다음을 수행하십시오.
import numpy as np
a = np.random.rand(3,2)
# Normalised [0,1]
b = (a - np.min(a))/np.ptp(a)
# Normalised [0,255] as integer: don't forget the parenthesis before astype(int)
c = (255*(a - np.min(a))/np.ptp(a)).astype(int)
# Normalised [-1,1]
d = 2.*(a - np.min(a))/np.ptp(a)-1배열에가 포함되어 있으면 nan한 가지 해결책은 다음과 같이 제거하는 것입니다.
def nan_ptp(a):
return np.ptp(a[np.isfinite(a)])
b = (a - np.nanmin(a))/nan_ptp(a)그러나 상황에 따라 nan다르게 취급하고 싶을 수도 있습니다 . 예를 들어 값을 보간하여 예를 들어 0으로 바꾸거나 오류를 발생시킵니다.
마지막으로 OP의 질문이 아닌 경우에도 언급 할 가치가 있습니다 .
e = (a - np.mean(a)) / np.std(a)scipy.stats.zscore.
f = a / np.max(np.abs(a))... 전체 배열이 모두 0이 아닌 경우 (DivideByZero는 피하십시오).
numpy.ptp()그 범위이지만, 만약 0을 반환 nan한 경우가 nan배열된다. 그러나 범위가 0이면 정규화가 정의되지 않습니다. 0으로 나누려고 할 때 오류가 발생합니다.
을 사용하여 크기를 조정할 수도 있습니다 sklearn. 장점은 데이터를 평균 중심에 두는 것 외에도 표준 편차를 정규화 할 수 있으며 축, 피처 또는 레코드별로이를 수행 할 수 있다는 것입니다.
from sklearn.preprocessing import scale
X = scale( X, axis=0, with_mean=True, with_std=True, copy=True )키워드 인수 axis, with_mean, with_std자기 설명하고, 기본 상태에 표시됩니다. 인수가 copy로 설정되면 작업이 현재 위치에서 수행됩니다 False. 여기에 설명서가 있습니다 .
"i"(idiv, imul ..) 버전을 사용할 수 있으며 반 나쁘게 보이지 않습니다.
image /= (image.max()/255.0)다른 경우에는 열을 기준으로 n 차원 배열을 정규화하는 함수를 작성할 수 있습니다.
def normalize_columns(arr):
rows, cols = arr.shape
for col in xrange(cols):
arr[:,col] /= abs(arr[:,col]).max()/=대신 = .. / ..
audio-1과 +1 image사이, 0과 255 사이 의 값을 최소-최대 스케일하려고합니다 .
를 사용하면 sklearn.preprocessing.minmax_scale문제를 쉽게 해결할 수 있습니다.
예 :
audio_scaled = minmax_scale(audio, feature_range=(-1,1))과
shape = image.shape
image_scaled = minmax_scale(image.ravel(), feature_range=(0,255)).reshape(shape)참고 : 벡터 의 규범 (길이)을 특정 값 (일반적으로 1)으로 조정하는 연산과 혼동하지 마십시오 . 일반적으로 정규화라고도합니다.
간단한 해결책은 sklearn.preprocessing 라이브러리에서 제공하는 스케일러를 사용하는 것입니다.
scaler = sk.MinMaxScaler(feature_range=(0, 250))
scaler = scaler.fit(X)
X_scaled = scaler.transform(X)
# Checking reconstruction
X_rec = scaler.inverse_transform(X_scaled)오류 X_rec-X는 0입니다. 필요에 따라 feature_range를 조정하거나 standart scaler sk를 사용할 수도 있습니다.
나는 다음과 같은 노력 이 , 그리고 오류가 발생했습니다
TypeError: ufunc 'true_divide' output (typecode 'd') could not be coerced to provided output parameter (typecode 'l') according to the casting rule ''same_kind''numpy내가 정상화에 노력했다 배열이 있었다 integer배열입니다. 버전>에서 유형 캐스팅이 더 이상 사용되지 않는 것 같습니다 .이를 해결하기 위해 1.10사용해야 numpy.true_divide()합니다.
arr = np.array(img)
arr = np.true_divide(arr,[255.0],out=None)img이었다 PIL.Image객체.