numpy.shares_memory#

numpy.shares_memory(a, b, /, max_work=-1)#

确定两个数组是否共享内存。

警告

此函数对于某些输入可能非常耗时（指数级慢），除非将 max_work 设置为零或正整数。如有疑问，请改用 numpy.may_share_memory。

参数:
a, bndarray

输入数组

max_workint, optional

用于解决重叠问题付出的努力（要考虑的候选解决方案的最大数量）。以下特殊值被识别：

max_work=-1 (默认)

精确解决问题。在这种情况下，仅当数组之间存在共享元素时，函数才返回 True。在某些情况下，找到精确解决方案可能需要非常长的时间。

max_work=0

仅检查 a 和 b 的内存边界。这等同于使用 may_share_memory()。

返回:
outbool
引发:
numpy.exceptions.TooHardError

已超出 max_work。

另请参阅

may_share_memory

示例

>>> import numpy as np
>>> 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 完全问题，运行时长可能随着维度的增加而呈指数级增长。因此，max_work 通常应设置为有限数字，因为有可能构造出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.exceptions.TooHardError: Exceeded max_work

在此情况下，运行不带 max_work 设置的 np.shares_memory(x1, x2) 大约需要 1 分钟。有可能找到运行时间更长的示例。

在此页面