numpy 是否为您对矩阵执行的每个操作分配新矩阵?
例如:
A = np.random.rand(10, 20)
A = 2 * A # Operation 1: Is a copy of A made, and a reference assigned to A?
B = 2 * A # Operation 2: Does B get a completely different copy of A?
C = A # Operation 3: Does C get a reference to A?
和切片操作:
A[0, :] = 3
链式操作怎么样?
D = A * B * C # Elementwise multiplication, if A * B allocates memory, does
# (A * B) * C allocate another patch of memory?
Numpy 是一个很棒的库,但我只想知道幕后发生了什么。我的直觉告诉我切片操作会修改内存 View ,但我不知道赋值。
最佳答案
请记住,numpy 数组是一个 Python 对象。 Python 不断地创建和删除对象。该数组具有 .FLAGS
和 .__array_interface__
字典中显示的属性,例如 shape
和 dtype
。占用(可能)大量内存的属性是数据缓冲区。它可能只有几个字节长,也可能是 MB。
在可能的情况下,numpy 操作会尽量避免复制数据缓冲区。索引时,如果可能,它将返回一个 view
。我认为该文档比较了 View 和副本。
但是 View 不同于 Python 引用。共享引用意味着两个变量(或列表或字典中的指针)指向同一个 Python 对象。 view
是一个不同的数组对象,但它与另一个数组共享数据缓冲区。副本有自己的数据缓冲区。
在你的例子中:
A = np.random.rand(10, 20)
A
是一个指向数组对象的变量。该对象有一个包含 200 个 float (200*8 字节)的数据缓冲区。
A = 2 * A # Operation 1: Is a copy of A made, and a reference assigned to A?
2*A
使用新的数据缓冲区创建一个新对象。它的任何数据值都不能与原始 A
共享。 A=...
重新分配 A
变量。旧的 A
对象“丢失”,最终内存被垃圾回收。
B = 2 * A # Operation 2: Does B get a completely different copy of A?
这个2*A
操作新的A
数组。该对象被分配给 B
。 A
保持不变。
C = A # Operation 3: Does C get a reference to A?
是的,这只是正常的 Python 赋值。 C
与 A
引用相同的对象。 id(C)==id(A)
.
B = A[1,:] # B is a view
B
是对新数组对象的引用。但是该对象与 A
共享数据缓冲区。这是因为只需从不同的点开始并使用不同的 shape
即可在缓冲区中找到所需的值。
A[0, :] = 3
此 LHS 切片将更改 A
值的子集。它类似于:
B = A[0, :]
B = 3
但是 LHS 切片和 RHS 切片之间存在细微差别。在 LHS 上,您必须更加注意何时获得副本而不是 View 。我尤其在 A[idx1,:][:,idx2] = 3
这样的表达式中看到了这一点。
D = A * B * C
在像这样的计算中生成了多少中间副本的详细信息隐藏在 numpy C 代码中。最安全的做法是假设它执行类似以下操作:
temp1 = A*B
temp2 = temp1*C
D = temp2
(temp1 goes to garbage)
对于普通计算来说,不必担心这些细节。如果您真的追求速度,您可以对替代方案执行 timeit
。偶尔我们会收到关于操作产生内存错误
的问题。进行搜索以获取有关这些的更多详细信息。
关于python - Numpy:每个操作的内存分配?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/33528793/