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

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。