オーディオまたは画像配列で処理を行った後、ファイルに書き戻す前に、範囲内で正規化する必要があります。これは次のように行うことができます：
# 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)
これを行うための冗長ではない便利な関数の方法はありますか？matplotlib.colors.Normalize()関係がないようです。
回答:
audio /= np.max(np.abs(audio),axis=0)
image *= (255.0/image.max())
を使用する/=と*=、中間の一時配列を削除できるため、メモリをいくらか節約できます。乗算は除算よりも安価なので、
image *= 255.0/image.max() # Uses 1 division and image.size multiplicationsよりわずかに速い
image /= image.max()/255.0 # Uses 1+image.size divisionsここでは基本的なnumpyメソッドを使用しているので、これは可能な限りnumpyでの効率的なソリューションだと思います。
インプレース操作では、コンテナー配列のdtypeは変更されません。目的の正規化された値は浮動小数点数であるため、インプレース演算を実行する前に、audioおよびimage配列に浮動小数点dtypeが必要です。それらがまだ浮動小数点dtypeでない場合は、を使用して変換する必要がありますastype。例えば、
image = image.astype('float64')配列に正と負の両方のデータが含まれている場合は、次のようにします。
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)-1
配列にが含まれている場合のnan解決策の1つは、次のように削除することです。
def nan_ptp(a):
return np.ptp(a[np.isfinite(a)])
b = (a - np.nanmin(a))/nan_ptp(a)
ただし、状況によっては、nan別の方法で処理する必要があります。たとえば、値を補間して、たとえば0に置き換えたり、エラーを発生させます。
最後に、OPの質問でなくても言及する価値があります。標準化：
e = (a - np.mean(a)) / np.std(a)scipy.stats.zscore。
f = a / np.max(np.abs(a))。...配列全体がすべてゼロでない場合（DivideByZeroを避けます）。
numpy.ptp()範囲の場合は0を返しますが、配列にnan1つの場合は0を返しますnan。ただし、範囲が0の場合、正規化は定義されていません。我々は0で除算しようとすると、これはエラーを発生させます
を使用して再スケーリングすることもできsklearnます。利点は、データを平均中心化することに加えて、標準偏差を正規化して調整できること、およびこれを軸ごと、フィーチャごと、またはレコードごとに実行できることです。
from sklearn.preprocessing import scale
X = scale( X, axis=0, with_mean=True, with_std=True, copy=True )
キーワード引数はaxis、with_mean、with_std自明であり、そのデフォルト状態で示されています。にcopy設定されてFalseいる場合、引数は操作をインプレースで実行します。ドキュメントはこちら。
"i"（idiv、imul ..のように）バージョンを使用できますが、見た目は悪くありません。
image /= (image.max()/255.0)その他の場合は、列によってn次元配列を正規化する関数を記述できます。
def normalize_columns(arr):
rows, cols = arr.shape
for col in xrange(cols):
arr[:,col] /= abs(arr[:,col]).max()
/=代わりに使用することが ポイントでした= .. / ..
audio-1〜+1のimage間および0〜255の間の値をmin-maxスケールしようとしています。
を使用sklearn.preprocessing.minmax_scaleすると、問題を簡単に解決できます。
例えば：
audio_scaled = minmax_scale(audio, feature_range=(-1,1))そして
shape = image.shape
image_scaled = minmax_scale(image.ravel(), feature_range=(0,255)).reshape(shape)
注：ベクトルのノルム（長さ）を特定の値（通常は1）にスケーリングする操作と混同しないでください。これは一般に正規化とも呼ばれます。
簡単な解決策は、sklearn.preprocessingライブラリが提供するスケーラーを使用することです。
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)
エラーX_rec-Xはゼロになります。必要に応じてfeature_rangeを調整するか、標準のスケーラーsk.StandardScaler（）を使用することもできます
私はこれを試してみましたが、エラーが発生しました
TypeError: ufunc 'true_divide' output (typecode 'd') could not be coerced to provided output parameter (typecode 'l') according to the casting rule ''same_kind''numpy私は正常化するためにしようとしていた配列をしたinteger配列。バージョンでの型キャストは非推奨であるようです> 1.10、それnumpy.true_divide()を解決するには使用する必要があります。
arr = np.array(img)
arr = np.true_divide(arr,[255.0],out=None)
imgたPIL.Imageオブジェクトが。