python - python中的C++内存不足，剩余空间很大

Question

我正在做一个项目，我需要找到嵌入 vector 的最近邻。最近，我正在尝试使用谷歌新的人工神经网络工具 SCANN github .
我能够创建搜索器对象并将其序列化为一个小数据集(约 200K 行，512 个值)
使用以下代码

import numpy as np
import scann
data = np.random.random((200k,512))
data = data / np.linalg.norm(data, axis=1)[:, np.newaxis]
searcher = scann.scann_ops_pybind.builder(data, 10, "dot_product").tree(
    num_leaves=2000, num_leaves_to_search=100, training_sample_size=250000).score_ah(
    2, anisotropic_quantization_threshold=0.2).reorder(100).build()
searcher.serialize('./scann')

但是当我尝试使用真实数据集(约 48M 行，512 个值)时，我得到了:

In [11]: searcher.serialize('scann/')
---------------------------------------------------------------------------
MemoryError                               Traceback (most recent call last)
<ipython-input-11-71a5ef71c81f> in <module>
----> 1 searcher.serialize('scann/')

~/.local/lib/python3.6/site-packages/scann/scann_ops/py/scann_ops_pybind.py in serialize(self, artifacts_dir)
     70
     71   def serialize(self, artifacts_dir):
---> 72     self.searcher.serialize(artifacts_dir)
     73
     74

MemoryError: std::bad_alloc

.npy 的大小数据集的文件约为 90GB，我的计算机上至少有 500GB 的可用 RAM 和 1TB 的可用磁盘:

我正在运行 Ubuntu 18.04.5 LTS 和 Python 3.6.9。 Scann 模块是用 Pip 安装的。
对可能发生的事情有任何想法吗？
谢谢您的帮助
[编辑] 在@MSalters 发表评论后，我做了一些测试，发现如果要序列化的数据集超过 16777220 字节 (2^24+4)，它会失败并显示 bad_alloc信息。我仍然不知道为什么会发生这种情况......
[edit2] 我从源代码构建 SCANN，并在其中放置一些调试打印。错误似乎在这一行:

vector<uint8_t> storage(hash_dim * expected_size);

如果我这样打印:

std::cout << hash_dim <<  " " << expected_size <<"\n" << std::flush;
std::cout << hash_dim * expected_size <<"\n" << std::flush;
vector<uint8_t> v2;
std::cout << v2.max_size() << "\n" << std::flush;
vector<uint8_t> storage(hash_dim * expected_size);
std::cout << "after storage creation\n" << std::flush;

然后我得到；

256 8388608
-2147483648
9223372036854775807

Answer 1

ScaNN 中似乎存在一个问题报告，#427 ，有类似的错误。
基于 的输出-2147483648 对于 std::cout << hash_dim * expected_size我们可以得出结论 hash_dim * expected_size溢出。
查看源代码，我们看到 hash_dim 的类型和 expected_size 是 int .
所以可能至少其中一个的类型应该是 int64_t , long long或者，更好的是，size_t .
通过查看 ScaNN 的来源，似乎有更多的地方可以受益于专门设计用于保持大小 (size_t) 而不是 int 的数据类型。 .