Question

numpy是否为您在矩阵上执行的每个操作分配新矩阵？

例如：

< Connector 
port="8443" 
protocol="HTTP/1.1" 
SSLEnabled="true"
maxThreads="150" 
scheme="https" 
secure="true"
clientAuth="false" 
sslProtocol="TLS" 
keystoreFile="conf/Certificate/keystore.jks"
keystorePass="<PASSWORD>" 
/>

切片操作：

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?

链式操作怎么样？

A[0, :] = 3

Numpy是一个很棒的图书馆，但我只是想知道引擎盖下发生了什么。我的直觉说切片操作会修改内存视图，但我不了解任务。

Answer 1

请记住，numpy数组是一个Python对象。 Python不断创建和删除对象。该数组的属性显示在.FLAGS和.__array_interface__字典中，例如shape和dtype。占用（可能）大量内存的属性是数据缓冲区。它可能是几个字节长，或者可能是MB。

在可能的情况下，numpy操作会尝试避免复制数据缓冲区。建立索引时，如果可能，它将返回view。我认为文档可以很好地比较视图和副本。

但是视图与Python引用不同。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，但是与另一个数组共享数据缓冲区的对象。副本有自己的数据缓冲区。

在您的示例中：

A = np.random.rand(10, 20)

A是指向数组对象的变量。该对象有一个包含200个浮点数（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。它的所有数据值都不能与原始A共享。 A=...重新分配A变量。旧的A对象已丢失，最终内存被垃圾收集。

B = 2 * A  # Operation 2: Does B get a completely different copy of A?

此2*A对新的A数组进行操作。该对象已分配给B。 A保持不变。

C = A      # Operation 3: Does C get a reference to A?

是的，这只是普通的Python分配。 C引用与A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，就可以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和RHS切片之间存在明显的差异。在LHS上，你必须更加注意何时获得副本而不是视图。我已经看到过这种情况，尤其是A[idx1,:][:,idx2] = 3等表达式。

D = A * B * C

在这样的计算中制作了多少个中间副本的细节都隐藏在numpy C代码中。最安全的做法是假设它像：

temp1 = A*B
temp2 = temp1*C
D = temp2
(temp1 goes to garbage)

对于普通计算，不值得担心这些细节。如果你真的在追求速度，你可以对替代品做timeit。偶尔我们会得到关于提供memory errors的操作的问题。进行搜索以获得有关这些内容的更多详细信息。

Answer 2

是的，它创建了新的数组。除了C. C和A指向相同的记忆。

您可以自己测试所有这些。尝试使用id(A)命令查看内存A指向的位置。此外，只需创建一个较小的结构并修改它的一部分，然后查看A，B和/或C是否也更新。

Numpy：每次操作的内存分配？

2 个答案: