Nano Hash - криптовалюты, майнинг, программирование

Вычисление отклонения 3D-пикселей от 4D-массива

Пусть имеется некоторый четырехмерный массив [x,y,z,k], состоящий из k трехмерных изображений [x,y,z]. Есть ли способ рассчитать дисперсию каждого отдельного пикселя в 3D из массива 4D?

Например. У меня есть массив 10x10x10x5, и я хотел бы вернуть массив дисперсии 10x10x10; дисперсия рассчитывается для каждого пикселя (или вокселя) вдоль k

Если это не имеет смысла, дайте мне знать, и я постараюсь объяснить лучше.

В настоящее время мой код:

tensors = []
while error > threshold:
    for _ in range(5): #arbitrary
        new_tensor = foo(bar) #always returns array of same size
        tensors.append(new_tensor)

tensors = np.stack(tensors, axis = 3)
#tensors.shape

И я хотел бы рассчитать массив дисперсии для тензоров

01.08.2018

Ответы:


1

Есть простой способ сделать это, если вы используете numpy:

variance = tensors.var(axis=3)
01.08.2018
  • В результате все значения в массиве дисперсии будут одинаковыми. Есть идеи, почему? 01.08.2018
  • Ну... Может быть, дисперсии действительно похожи 01.08.2018
  • Новые материалы

    Кластеризация: более глубокий взгляд
    Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..

    Как написать эффективное резюме
    Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..

    Частный метод Python: улучшение инкапсуляции и безопасности
    Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..

    Как я автоматизирую тестирование с помощью Jest
    Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..

    Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
    Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..

    Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
    В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..

    Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
    В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..