pot lib：optimal transport python库

最新推荐文章于 2024-08-09 04:22:49 发布

原创

最新推荐文章于 2024-08-09 04:22:49 发布 · 2.7k 阅读

本文介绍了计算最优传输的概念，包括离散测度、蒙日问题和KantorovichRelaxation。讨论了scipy.stats.wasserstein_distance的计算以及如何通过线性方程求解Wasserstein距离。重点讲解了PyTorch中使用Sinkhorn算法计算Wasserstein距离的方法，以及正则化优化技术，如EntropicRegularization。此外，还涵盖了质心计算、无偏Sinkhorn质心和不平衡OT。文章提供了多个Python库（如potlib）和实际应用示例，如颜色转换和图像分割。

文章目录

transport

https://github.com/rpetit/color-transfer
Rabin, J., & Papadakis, N. (2014). Non-convex relaxation of optimal transport for color transfer.

https://github.com/RachelBlin/Colorization-optimal-transport
Adaptive color transfer with relaxed optimal transport" by Rabin et. al.

A non parametric approach for histogram
segmentation 一种根据直方图分布的图像分割算法。

Optimal Transportation for Example-Guided Color Transfer 颜色转换

https://github.com/search?q=Optimal+Transport

1. 计算最优传输（Computational Optimal Transport）

介绍距离矩阵和概念

7. 解决方案

在这里插入图片描述

8. KL散度

在这里插入图片描述

https://zhuanlan.zhihu.com/p/527799934

9. book

Computational Optimal Transport
https://arxiv.org/pdf/1803.00567v4.pdf

pot lib

1 问题目标

将一个分布转移到另一个分布，做最小的功
在这里插入图片描述

主要应用：
1）测量两个分布的相似性，尤其是对于没有相同因变量（support）的分布
2）获得两个分布的mapping 关系。

Wasserstein distance between distributions

用于测量两个分布的距离或相似度。 <C, P>

mapping
OT问题的一个非常有趣的方面是OT映射本身。当计算离散分布之间的最佳传输时，一个输出是OT矩阵，它将为您提供每个分布中样本之间的对应关系.
ot.optim.cg

是一个通用的OT问题求解器，可以利用各种平滑连续约束。
generic OT solver ot.optim.cg that can solve OT problems with any smooth/continuous regularization term making it particularly practical for research purpose.
规模大的问题用 geomloss, 兼容pytorch

2 ot.emd 方法

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-oPVkY2KA-1681721618643)(2023-04-12-13-11-15.png)]

# a and b are 1D histograms (sum to 1 and positive)
# M is the ground cost matrix
T = ot.emd(a, b, M)  # exact linear program

exact linear program 求精确解，复杂度是 O^3

一维例子：
两个直方图以及他们的cost 矩阵
在这里插入图片描述

得到的结果
在这里插入图片描述

二维例子：
2D point, 每个点的概率相同（uniform）

在这里插入图片描述

得到的结果和转换关系：
在这里插入图片描述

无论是一维还是二维，都是一些位置，另外就是把每个位置的值当作土堆的质量

3. ot.dist

采用不同的距离评价标准：

a, b = ot.unif(n), ot.unif(n)  # uniform distribution on samples

# loss matrix
M1 = ot.dist

标签

#python #机器学习 #map

最低0.47元/天解锁文章

pot lib：optimal transport python库

文章目录

transport

1. 计算最优传输（Computational Optimal Transport）

2. 离散测度 (Discrete measures), 蒙日(Monge)问题, Kantorovich Relaxation (松弛的蒙日问题)

3. scipy.stats.wasserstein_distance 距离计算

4. 转化为线性方程求解 Wasserstein距离 ， KL散度的对比分析

5. pytorch 通过Sinkhorn 方法计算 Wasserstein距离

6. sinkhorn 原理：

7. 解决方案

8. KL散度

9. book

pot lib

1 问题目标

2 ot.emd 方法

3. ot.dist

4. 转化为线性方程求解 Wasserstein距离， KL散度的对比分析