numpy.shares_memory#
- numpy.shares_memory(a, b, /, max_work=None)#
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会呈指数级慢,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,可选
用于解决重叠问题的努力程度(要考虑的候选解决方案的最大数量)。以下特殊值将被识别
- max_work=-1(默认)
该问题将被完全解决。在这种情况下,该函数仅在数组之间存在共享元素时才返回 True。在某些情况下,找到确切的解决方案可能需要极长时间。
- max_work=0
只检查 a 和 b 的内存边界。这等效于使用
may_share_memory()
。
- 返回值: :
- outbool
- 引发: :
- numpy.exceptions.TooHardError
超过了 max_work。
另请参阅
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 完全的,运行时间可能会随着维数的增加而呈指数级增长。因此,通常应该将 max_work 设置为有限的数字,因为可以构建需要极长时间才能运行的示例
>>> 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
在本例中,运行
np.shares_memory(x1, x2)
而不设置 max_work 大约需要 1 分钟。可以找到需要更长时间才能运行的问题。