09 工程实践要点

第 9 章 工程实践要点

理论就绪后，本章汇总 参数选择、性能调优、可复现性、结果验证 的实战清单，帮助你在真实项目中稳定使用 Ripser.py。

9.1 端到端工作流

业务数据
    │
    ▼
预处理（归一化、去离群、下采样）
    │
    ▼
选择过滤类型：VR 点云 / Lower-Star 图像时序
    │
    ▼
设定 maxdim、thresh、metric、coeff
    │
    ▼
规模过大 ? ──► 稀疏 D 或 n_perm
    │
    ▼
ripser / Rips 计算
    │
    ▼
持久图 QC（显著点、稳定性扫描）
    │
    ▼
可视化 / 向量化 / 下游模型
    │
    ▼
记录参数与版本（可复现）
​

9.2 参数选择速查

9.3 性能优化层次

第 1 层：thresh 截断          ── 零成本，首选
第 2 层：稀疏 k-NN 图          ── 大 n、局部结构
第 3 层：n_perm 贪心置换       ── 超大 n，有界近似
第 4 层：降维/子采样点云       ── PCA、随机、分层
第 5 层：本地编译 + robin_hood ── 源码编译可快 ~30%
第 6 层：Ripser++（GPU）       ── 见第 10 章
​

监控指标

result = ripser(X, maxdim=1, thresh=t)
print({
    'n_points': len(X),
    'num_edges': result['num_edges'],
    'H1_count': len(result['dgms'][1]),
    'max_H1_pers': (result['dgms'][1][:,1] - result['dgms'][1][:,0]).max(),
})
​

num_edges 突然爆炸 → 降低 thresh 或稀疏化。

9.4 结果验证清单

9.5 可复现性

import numpy as np

SEED = 42
rng = np.random.default_rng(SEED)
data = rng.random((100, 2))

# 记录实验元数据
meta = {
    'maxdim': 1,
    'thresh': 1.8,
    'coeff': 2,
    'metric': 'euclidean',
    'n_perm': None,
    'ripser_version': '...',  # import ripser 查看
}
​

• 固定随机种子
• 保存 参数 dict 与 持久图（np.save）
• 版本锁定：pip freeze | grep ripser

9.6 常见设计错误

⚠️ TDA 不是万能：高噪声、低维差异小、样本极少时，持久图可能无判别力——应与传统特征并用。

9.7 与 sklearn Pipeline 集成

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from ripser import Rips

# 概念：Rips 作为 transformer，输出需自定义向量化步骤
pipeline = Pipeline([
    ('scale', StandardScaler()),
    ('rips', Rips(maxdim=1, thresh=2.0)),
    # ('pi', PersistenceImager(...))  # 需自定义或 giotto-tda
])
​

Rips.transform 返回 list of diagrams，不是固定维向量——需后续 PersistenceImager 或统计函数。详见第 10 章。

9.8 部署与依赖

9.9 动手实验

1. 为你的业务点云写一份 参数扫描脚本（thresh 网格 + 记录 max H1 persistence）。
2. 实现 可复现实验包：数据 + meta.json + dgms.npy。
3. 对 n=8000 数据比较「仅 thresh」「thresh+稀疏」「n_perm」三者耗时与 H1 瓶颈距离。
4. 列出你的场景下 三个最可能失败的假设 及验证方法。

本章小结

• 优先 thresh 控规模，再稀疏化或 n_perm。
• 玩具数据验证 + 参数扫描 + 瓶颈距离是 QC 三板斧。
• 可复现需固定种子、记录参数与版本。
• Pipeline 中 Rips 后必须向量化才能接分类器。

配套可运行示例

「工程实践与可复现」示例把本章经验封装成四组演示：maxdim 对成本的影响、thresh 与边数的关系、可复现性检查、大数据三条路决策。下面给出可复现性检查与 thresh 扫描的完整脚本：

"""工程实践：可复现性与 thresh 扫描完整示例。

验证同种子同参数两次结果是否完全一致（科研复现底线），
并扫描 thresh 观察边数与耗时的关系。
依赖：pip install ripser numpy
"""
import time
import numpy as np
from ripser import ripser


def sample_sphere(n=300, noise=0.03, seed=0):
    rng = np.random.default_rng(seed)
    pts = rng.standard_normal((n, 3))
    pts /= np.linalg.norm(pts, axis=1, keepdims=True)
    return pts * (1.0 + rng.standard_normal(pts.shape) * noise)


def reproducibility():
    """同种子同参数两次结果是否完全一致。"""
    print("=== 可复现性检查 ===")
    cfg = dict(maxdim=1, thresh=1.5, coeff=2)
    for trial in range(2):
        data = sample_sphere(n=200, noise=0.05, seed=42)
        r = ripser(data, **cfg)
        pers = r['dgms'][1][:, 1] - r['dgms'][1][:, 0]
        pers = pers[np.isfinite(pers)]
        print(f"  trial {trial}: H1 点数={len(r['dgms'][1])}, "
              f"max persistence={pers.max() if len(pers) else 0:.6f}")
    print("  两次应完全一致（同种子 + 同参数）。")


def thresh_scan():
    """thresh 与 num_edges / 耗时的关系。"""
    print("\n=== thresh vs num_edges ===")
    data = sample_sphere(n=500, seed=1)
    print(f"{'thresh':>8s} {'time':>8s} {'edges':>10s} {'H1点数':>8s}")
    for thresh in [0.5, 1.0, 1.5, 2.0, 3.0]:
        t0 = time.perf_counter()
        r = ripser(data, maxdim=1, thresh=thresh)
        dt = time.perf_counter() - t0
        print(f"{thresh:8.2f} {dt:8.2f}s {r['num_edges']:10d} "
              f"{len(r['dgms'][1]):8d}")


def main():
    reproducibility()
    thresh_scan()


if __name__ == "__main__":
    main()
​

💡 可复现性检查看似简单，却是科研复现的底线——如果同种子两次结果不一致，说明环境有不确定性（如并行顺序），必须先解决再发表。

下一章：进阶拓展方向——ML 集成、Ripser++、与 GUDHI 等生态对比。