python - 加快不确定性计算

Question

我想为主动学习目的计算蒙特卡洛辍学的不确定性分数。
我对同一图像有 T 个预测，目前我正在使用以下函数计算每个像素的预测的熵。如果预测的类别不同（例如，对于 T = 3: [1, 2, 3]），该函数应该返回一个较高的值，而当类别相等时（例如 [1, 1, 1]），该函数应该返回一个较低的值

def calculate_entropy(labels, base=e):
    value,counts = np.unique(labels, return_counts=True)
    norm_counts = counts / counts.sum()
    return -(norm_counts * np.log(norm_counts)/np.log(base)).sum()

我的预测结果是这样的数组形状：[T, Height, Width]输出形状为[Height, Width]. 因为我想要每一行的熵，所以我这样调用函数： np.apply_along_axis(func1d=calculate_entropy, axis=1, arr=data)

对于具有多个预测的一张图像，该功能需要 3 秒，这太高了。有人建议如何改进吗？

示例输入：

preds = np.array([
[[0, 2, 0],
 [1, 1, 0]],

[[0, 2, 9],
 [1, 2, 9]],

 [[1, 1, 0],
 [2, 2, 9]],

 [[1, 1, 9],
 [3, 2, 9]],
])

示例输出：

[[0.69314718 0.69314718 0.69314718]
 [1.03972077 0.56233514 0.56233514]]

标签： python