numpy.shares_memory#

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

判斷兩個陣列是否共用記憶體。

警告

對於某些輸入，此函數可能會呈指數級地慢，除非將 max_work 設定為零或正整數。如有疑問，請改用 numpy.may_share_memory。

參數:
a, bndarray

輸入陣列

max_workint，選用

用於解決重疊問題的努力程度（要考慮的最大候選解決方案數量）。以下特殊值被識別

max_work=-1 (預設)

問題會被精確地解決。在這種情況下，只有當陣列之間共用一個元素時，函數才會傳回 True。在某些情況下，找到精確解可能需要極長的時間。

max_work=0

僅檢查 a 和 b 的記憶體邊界。這等同於使用 may_share_memory()。

傳回值:
outbool
引發:
numpy.exceptions.TooHardError

超出 max_work。

另請參閱

may_share_memory

範例

>>> 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

檢查兩個陣列是否共用記憶體是 NP 完全問題，並且執行時間可能會隨著維度的數量呈指數級增長。因此，max_work 通常應設定為有限的數字，因為有可能建構出需要極長時間才能執行的範例

>>> 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

在此案例中，執行沒有設定 max_work 的 np.shares_memory(x1, x2) 大約需要 1 分鐘。有可能找到需要更長時間才能解決的問題。

在此頁面上