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

对于某些输入,此函数可能会呈指数级缓慢,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

解决重叠问题所花费的努力（考虑的最大候选解决方案数量）.以下特殊值被识别:

max_work=-1 (默认)

问题被精确地解决了.在这种情况下,函数仅在数组之间存在共享元素时返回 True.在某些情况下,找到精确的解决方案可能需要极长的时间.

max_work=0

只检查 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

超出 max_work.

参见

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,运行时间可能会随着维数的增加呈指数增长.因此,`max_work` 通常应设置为一个有限数,因为可以构造出运行时间极长的例子:

>>> 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

在没有设置 max_work 的情况下运行 np.shares_memory(x1, x2) 大约需要1分钟.仍然有可能找到需要更长时间的问题.

On this page