Kymatio是Python编程语言中小波散射变换的一种实现，适用于信号处理和机器学习中的大规模数值实验。散射变换是作为卷积网络实现的平移-变信号表示，其滤波器不是学习的，而是固定的（如小波滤波器）。

如果您需要满足以下条件的库，请使用Kymatio：

• 支持一维、二维和三维小波，
• 在深度学习架构中集成小波散射，以及
• 在CPU和GPU硬件上无缝运行，具有主要的深度学习API，如如PyTorch、TensorFlow和Jax。

Kymatio组织联合了几个预先存在的小波散射软件包的开发人员，包括ScatNet公司,散射.m,PyScatWave公司,小波散射.jl、和PyScatHarm公司.

将Kymatio接口到深度学习框架中可以让程序员反向传播小波散射系数的梯度，从而将它们集成到端到端可训练的管道中，例如深度神经网络。

这些算法中的每一种都是用高级命令式范式编写的，只要它能够实现复值线性代数和快速傅立叶变换（FFT），就可以移植到任何Python库中进行阵列运算。

每个算法都有一个前端和后端。前端负责与用户交互。后端定义了散射变换的计算。

目前，有八个可用的前端-后端对，NumPy（CPU）、scikit-learn（CPU），纯PyTorch（CPU和GPU），PyTorch>=1.10（CPU与GPU）、PyTotch+scikit-cuda（GPU）和PyTonch>=1.10+scikit-cuda。

Kymatio集成了1D、2D和3D小波滤波器组的构建，以及用于提取小波散射系数的记忆高效算法，在一个通用的应用程序编程界面下。

在图形处理单元（GPU）而不是多核常规中央处理单元（CPU）上运行Kymatio可以显著加快散射变换的计算速度。基于CPU的MATLAB代码的当前加速比在1D和3D中为10，在2D中为100。

我们指的是我们的官方基准了解更多详细信息。

如果你使用这个包，请引用我们的论文Kymatio：Python中的分散变换:

Andreux M.、Angles T.、Exarchakis G.、Leonarduzzi R.、Rochette G.、Thiry L.、Zarka J.、Mallat S.、Andén J.、Belilovsky E.、Bruna J.、Lostanlen V.、Chaudhary M.、Hirn M.、Oyallon E.、Zhang S.、Cella C.、Eickenberg M.（2020）。基马提奥：在Python中散布变换。机器学习研究杂志21（60）：1−62020。（纸） （bibtex）

基马提奥要求：

• Python（>=3.7）
• SciPy（>=0.13）

我们强烈建议在Anaconda环境中运行Kymatio，因为这简化了其他依赖关系。您可以使用包管理器安装最新版本的Kymatiopip（点阵），它将自动下载Python包索引（PyPI）中的Kymatio：

pip安装基马提奥

Linux和macOS是两种官方支持的操作系统。

要显式调用NumPy前端，请运行：

从kymatio.numpy导入散射2D散射=散射2D（J=2，形状=（32，32））

你也可以打电话散射2D作为一名科学爱好者变压器使用：

从kymatio.sklearn导入散射2Dscattering_transformer=散射2D（2，（32，32））

使用PyTorch，您可以实例化散射2D作为一个火炬编号。模块:

从kymatio.torch导入散射2D散射=散射2D（J=2，形状=（32，32））

类似地，在TensorFlow中，您可以实例化散射2D作为一个tf.模块:

从kymatio.tensorflow导入散射2D散射=散射2D（J=2，形状=（32，32））

或者，您可以致电散射2D作为Keras图层使用：

从tensorflow.keras.layers导入输入从kymatio.keras导入散射2D输入=输入（形状=（32，32））散射=散射2D（J=2）（输入）

最后，在安装了Jax之后，您还可以实例化一个Jax散射2D对象：

从kymatio.jax导入散射2D散射=散射2D（J=2，形状=（32，32））

假设Kymatio源代码已经下载，您可以通过运行

pip安装-r要求.txtpython setup.py安装

开发商还可以通过以下方式安装Kymatio：

pip安装-r要求.txtpython setup.py开发

某些前端，numpy公司和sklearn公司，只允许在CPU上进行处理，因此速度较慢。这个火炬,张量流,珊瑚礁、和喷气发动机然而，前端也支持GPU处理，这可以显著加快计算速度。此外火炬后端支持优化斯库达语后端，目前在计算散射变换方面提供了最快的性能。

要使用它，必须首先安装西基特库达和丘比依赖项：

pip安装scikit-cuda cupy

然后可以使用backend='torch_skcuda'参数：

从kymatio.torch导入散射2D散射=散射2D（J=2，形状=（32，32），后端='torch_skcuda'）

Kymatio的文档正式托管在kymat.io公司网站。

• GitHub存储库
• GitHub问题跟踪程序
• BSD-3条款许可
• 作者列表
• 行为准则

文档也可以在文件/GitHub存储库的子文件夹。要在本地构建文档，请克隆此存储库并运行

pip安装-r要求_optional.txt光盘文档；清洁；生成html

我们要感谢Flatiron Institute的科学计算核心将其计算资源用于测试。

我们还要感谢埃科尔·诺曼底Supérieure的支持。

基马(κύμα)手段波动希腊语。同样的，基马提奥(κυμάτιο)手段小波.

请注意，组织和图书馆都是大写的(基马提奥)而相应的Python模块是用小写写的(进口基马提奥).

Kymatio的推荐发音是金-氢氧化钛换言之，它与露台押韵，而不是与比例押韵。