我有一个多维 numpy 数组,它恰好是一个图像数组。为什么在使用 np.mean 的轴参数时计算图像 channel 均值会产生不同的结果?
>>> X = np.array(np.random.random((9999, 128, 128, 4)) * 1e5, dtype='float32')
>>> X.shape
(9999, 128, 128, 4)
>>> mean_by_axis = np.mean(X, axis=(0, 1, 2))
array([ 13423.11523438, 13423.11523438, 13423.11523438, 13423.11523438], dtype=float32)
>>> mean = np.mean(X[:, :, :, 0])
50001.297
我期望 mean_by_axis[0] == 均值。为什么不是这样呢?其余的 axis-3 索引 1、2 和 3 也是如此。我是否误解了如何在 np.mean 中使用 axis 参数?
使用 numpy 版本“1.12.1”
有没有可能我溢出了 float32 累加器?例如:
>>> X = np.random.random(size=(100, 128, 128, 4))
>>> np.mean(X, axis=(0, 1, 2))
array([ 0.49978557, 0.49985835, 0.50000321, 0.50015689])]
>>> np.mean(X[:, :, :, 0])
0.49978556940636332
这看起来是正确的。如果是这样,为什么 slice 方法不会溢出累加器并给出相同的结果?也许 slice 方法使用 float64 累加器而 axis 方法使用 float32 累加器?
请您参考如下方法:
我无法准确重现你的结果,因为你没有提供你的数据,但使用随机数据我可以重现问题:
>>> import numpy as np
>>> X = np.random.rand(9999, 128, 128, 4).astype('float32')
>>> X.shape
>>> np.mean(X, axis=(0, 1, 2))
array([ 0.10241024, 0.10241024, 0.10241024, 0.10241024], dtype=float32)
>>> np.mean(X[:, :, :, 0])
0.50000387
>>> np.mean(X[:, :, :, 0].flatten())
0.50000387
这可能是数值精度不足的情况。您正在对 (9999*128*128 = 163823616) 个浮点值求和,而 float32 的相对精度为 ~10^-7,因此您正在浏览精度的边界。
我建议您在调用 mean 之前尝试将数组转换为精度更高的 float64,然后看看会发生什么。
>>> np.mean(X.astype('float64'), axis=(0, 1, 2))
array([ 0.50000323, 0.50004907, 0.50003198, 0.49999848])
>>> np.mean(X[:, :, :, 0].astype('float64'))
0.50000323305421812
>>> np.mean(X[:, :, :, 0].flatten().astype('float64'))
0.50000323305421812
