为深度学习重塑 np 数组

Question

我想使用 keras 将神经网络应用于我的时间序列数据。为了改进模型，我希望每个输出有 50 个输入时间状态。最终输入应该有 951 个样本和 50 个时间点的 10 个特征 (951, 50, 10)

因此，我必须重塑我的数据。我这样做是为了循环，但速度非常慢。有没有办法改进代码并使其更快？

示例：

import numpy as np
X = np.ones((1000,10))

for i in range(50, int(X.shape[0]) + 1):
     if i == 50:
        z = 0
        X2 = np.array(X[z:i, :]).reshape((1, 50, X.shape[1]))
     else:
        X2 = np.concatenate([X2, np.array(X[z:i, :]).reshape((1, 50, X.shape[1]))])
     z = z + 1

Answer 1

我们可以利用 np.lib.stride_tricks.as_strided based scikit-image's view_as_windows to get sliding windows. .

from skimage.util.shape import view_as_windows

X2 = view_as_windows(X,(50,10))[:,0]

它只是输入的一个视图，因此在运行时几乎是免费的 -

In [17]: np.shares_memory(X,view_as_windows(X,(50,10))[:,0])
Out[17]: True

In [18]: %timeit view_as_windows(X,(50,10))[:,0]
10000 loops, best of 3: 32.8 µs per loop

为深度学习重塑 np 数组

reshape np array for deep learning

python

numpy

reshape

keras