响应式网站软件,金融类网站源码,网站上的广告是怎么做的,旧版wordpress1 数组的两种内存布局方式行优先与列优先首先我们回顾一下#xff0c;矩阵数据在内存中的两种布局方式#xff1a;行优先#xff08;row-major#xff09;#xff1a;以行为优先单位#xff0c;在内存中逐行存储/读取#xff1b;对于多维#xff0c;意味着当线性扫描内…1 数组的两种内存布局方式行优先与列优先首先我们回顾一下矩阵数据在内存中的两种布局方式行优先row-major以行为优先单位在内存中逐行存储/读取对于多维意味着当线性扫描内存时第一个维度的变化最慢。列优先column-major以列为优先单位在内存中逐列存储/读取对于多维意味着当线性扫描内存时最后一个维度的变化最慢。以下面的[2, 2, 2]张量为例a [[[1, 2],[3, 4]],[[5, 6],[7, 8]]]在内存中的数据排布行优先1, 2 | 3, 4 || 5, 6 | 7, 8a[0,0] a[0,1] a[1,0] a[1,1]
列优先1, 5 | 3, 7 || 2, 6 | 4, 8a[0,0] a[1,0] a[0,1] a[1,1]谁更好选择行优先还是列优先主要取决于我们访问数组的模式。由于每次从内存中获取数据时CPU都会自动将该数据及其相邻的内存加载到缓存中希望利用引用的局部性。因此如果访问数组时是逐列访问的我们就希望同一列的数据在内存中靠得更近便于一次性加载到CPU缓存中从而避免反复加载亦即更加的“Cache-friendly”此时列优先显然是最好的选择。而对于逐行访问的情况则应该选择行优先。C和大多数DeepLearning库用的都是行优先而Fortran和matlab等一些用于科学计算的语言使用的是列优先。不要问为什么这是历史的偶然选择而已。如果要强行解释可以说Fortran是考虑到线性代数中的向量默认为列向量所以用列优先与数学符号更匹配虽然用列优先并不会加速矩阵运算比如矩阵乘法中第一个矩阵是逐行访问第二个是逐列访问不可兼得但是更能显现出科学家与众不同的装逼特性 :-) 。2 numpy 中的行优先和列优先numpy支持这两种内存布局方式默认采用行优先。可以在新建array或者进行reshape等操作时通过指定order参数来决定数据的内存布局方式。array() 新建函数原型array(object, dtypeNone, copyTrue, orderK, subokFalse, ndmin0)参数dtype: 存储单元格式有np.float32、np.bool、np.int32等。copy: 是否在内存中新建array。subok: 不用管If True, then sub-classes will be passed-through, otherwise the returned array will be forced to be a base-class array (default).ndmin: 返回的数组应该具有至少ndmin个维数不足时补充若干个大小为1的维度。np.array([[1,2,3],[4,5,6]]).shape
Out[52]: (2, 3)
np.array([[1,2,3],[4,5,6]], ndmin4).shape
Out[53]: (1, 1, 2, 3)order: 新建的array在内存中的布局方式该参数在copyTrue时才有意义从 {‘K’, ‘A’, ‘C’, ‘F’} 中选择举个例子s [[1,2,3], [a,b,c]] # python序列采用行优先布局
# 内存中 s 1, 2, 3, a, b, ca np.array(s, orderC)
# a.reshape(-1) 1, 2, 3, a, b, cb np.array(s, orderF)
# b.reshape(-1) 1, a, 2, b, 3, creshape() 重整维度函数原型reshape(array, newshape, orderC)
array.reshape(newshape, orderC)参数newshape: 一个描述各维度大小的序列也可以是单个int。order: 从 {‘A’, ‘C’, ‘F’} 中选择。b reshape(a, newshape, order)相当于b np.array(a, order) # 在内存中新建一个 b 以 order 布局方式存储从 a 中读取的数据
b.shape newshape # 设定index指针的计算方式3 “lazy”的 transpose() 转置注意numpy中的转置transpose()是非常“lazy”的亦即不对内存中的数据进行重排仅仅改变读取方式。举个例子 a.shape [1,2,3]
transpose_scheme [2,1,0] # 维度0与2交换位置
b np.transpose(a, axestranspose_scheme)此时 b.shape 虽然变成了 [3,2,1]
但是 b 与 a 在内存的排布是一样的
transpose()等效于在读取/写入函数函数外包了一个能改变维度顺序的函数装饰器。def change_axis_order(transpose_scheme):def get_func(func):wraps(func)def wrapper(self, axes):transposed_axes [axes[i] for i in transpose_scheme]return func(self, transposed_axes)return wrapperreturn get_func
b np.transpose(a, axestranspose_scheme)
相当于b a.copy()
b.__getitem__ change_axis_order(transpose_scheme)(b.__getitem__)
b.__setitem__ change_axis_order(transpose_scheme)(b.__setitem__)之所以采用这种“lazy”的方式是因为重新在内存中排列数据的非常耗时的。如果一定要在内存中重新排列数据可以采用以下方法b np.zeros_like(a)
b[:] np.array(a, axestranspose_scheme)
