numpy.shares_memory #

麻木的。share_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设置为有限数或MAY_SHARE_BOUNDS。如有疑问,请改用numpy.may_share_memory

参数
a, b ndarray

输入数组

max_work int,可选

解决重叠问题所花费的精力(要考虑的候选解决方案的最大数量)。以下特殊值得到认可:

max_work=MAY_SHARE_EXACT(默认)

问题就准确解决了。在这种情况下,仅当数组之间存在共享元素时,该函数才返回 True。在某些情况下,找到精确的解决方案可能需要很长时间。

最大工作=MAY_SHARE_BOUNDS

仅检查 a 和 b 的内存边界。

返回
输出布尔值
加薪
numpy.exceptions.TooHardError

超过 max_work。

也可以看看

may_share_memory

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 完全的,并且运行时间可能会在维数上呈指数级增长。因此,max_work通常应设置为有限数,因为有可能构造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

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