sampling masks

[nducros]

J'ai fusionné les différentes branches et tout me semble OK. Dans le tuto 5, j'ai essayé de créer les "naive" et "variance" sampling masques de la même façon

idx = np.argsort(Ord_nai.ravel(), axis=None)[::-1]
mask_nai = np.zeros_like(Ord_nai)
mask_nai.flat[idx[0:M]] = 1

mais j'obtiens un masque bizarre, ce que tu solutionnes avec

mask_nai = np.zeros((h, h))
mask_nai[0 : int(M / h), :] = 1

Je ne suis pas arrivé à voir si le sampling masque correspond bien à la sampling matrix plus bas, mais je soupçonne un petit bug quelque part. Je ne demande si la recette "np.argsort + np.zeros_like + flat" est identique à ce qui est fait dans le meas.

[romainphan]

Le problème vient du np.argsort(), qui utilise par défaut un quicksort, qui ne conserve pas l'ordre quand il y a plusieurs valeurs égales. Il faut donc écrire :

idx = np.argsort(-Ord_nai.ravel(), axis=None, kind='stable') mask_nai = np.zeros_like(Ord_nai) mask_nai.flat[idx[0:M]] = 1

en précisant kind=stable on perd un peu en vitesse mais on garde l'ordre dans les mesures.

à noter la différence qu'on doit écrire -Ord_nai.ravel() contrairement à Ord_nai.ravel() ... [::-1]. Pour le "variance subsampling" ça devient donc : idx = np.argsort(-Ord_var.ravel(), axis=None, kind='stable')

[nducros]

D'accord, j'ai fusionné ! Le mieux serait d'ajouter une fonction sampling_mask, ou quelque chose du genre, pour masquer ça à l'utilisateur.

[romainphan]

Hehe c'est déjà fait, c'est ma fonction sort_by_significance J'ai modifié tout ça dans ma dernière version sur ma branche

[romainphan]

Tout fonctionne, à fusionner sur le master