Python numpy shares_memory用法及代码示例

本文简要介绍 python 语言中 numpy.shares_memory 的用法。

用法:

numpy.shares_memory(a, b, /, max_work=None)

确定两个数组是否共享内存。

警告

对于某些输入，此函数可能会呈指数级缓慢，除非max_work被设置为有限数或MAY_SHARE_BOUNDS。如有疑问，请使用numpy.may_share_memory反而。

参数：

a, b： ndarray

输入数组

max_work： 整数，可选

花费在解决重叠问题上的努力(要考虑的候选解决方案的最大数量)。识别以下特殊值：

max_work=MAY_SHARE_EXACT(默认)

问题正好解决了。在这种情况下，仅当数组之间共享一个元素时，该函数才返回 True。在某些情况下，找到确切的解决方案可能需要很长时间。

max_work=MAY_SHARE_BOUNDS

仅检查 a 和 b 的内存边界。

返回：

out： bool

抛出：

numpy.TooHardError

超过max_work。

例子：

>>> x = np.array([1, 2, 3, 4])
>>> np.shares_memory(x, np.array([5, 6, 7]))
False
>>> np.shares_memory(x[::2], x)
True
>>> np.shares_memory(x[::2], x[1::2])
False

检查两个数组是否共享内存是NP-complete，runtime可能会在维数上成倍增长。因此，max_work 通常应设置为有限数，因为可以构建运行时间极长的示例：

>>> from numpy.lib.stride_tricks import as_strided
>>> x = np.zeros([192163377], dtype=np.int8)
>>> x1 = as_strided(x, strides=(36674, 61119, 85569), shape=(1049, 1049, 1049))
>>> x2 = as_strided(x[64023025:], strides=(12223, 12224, 1), shape=(1049, 1049, 1))
>>> np.shares_memory(x1, x2, max_work=1000)
Traceback (most recent call last):
...
numpy.TooHardError: Exceeded max_work

跑步np.shares_memory(x1, x2)没有max_work在这种情况下，设置大约需要 1 分钟。有可能发现需要更长时间的问题。