numpy.shares_memory#

numpy.shares_memory(a, b, /, max_work=None)#

判断两个数组是否共享内存。

警告

对于某些输入，此函数的速度可能会呈指数级下降，除非将 max_work 设置为零或正整数。如果不确定，请改用 numpy.may_share_memory。

参数:
a, bndarray

输入数组

max_workint, optional

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）。识别以下特殊值

max_work=-1 (默认)

问题将精确求解。在这种情况下，函数仅当数组之间存在共享元素时才返回 True。在某些情况下，寻找精确解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
抛出:
numpy.exceptions.TooHardError

超过 `max_work` 限制。

另请参见

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，并且运行时可能随维度数量呈指数级增长。因此，max_work 通常应设置为有限值，因为可以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

在不设置 max_work 的情况下运行 np.shares_memory(x1, x2)，此示例大约需要 1 分钟。仍然可能找到耗时更长的问题。

在本页