有没有办法降低scipy/numpy精度以减少内存消耗？

在我的64位Debian/Lenny系统（4GByte RAM+4GByte交换分区）上，我可以成功地执行以下操作：

v=array(10000*random([512,512,512]),dtype=np.int16)
f=fftn(v)

但是，如果f是一个

np.complex128

的话，内存消耗是惊人的，如果没有

MemoryError

回溯，我无法对结果做更多的处理（例如调整系数，然后

f=ifftn（f）

）

有没有办法控制scipy/numpy的“默认精度”，让它计算一个complex64数组，而不是安装更多的RAM和/或扩展我的交换分区

---

我知道我可以用

f=array（f，dtype=np.complex64）

来减少它；我希望它能以32位精度和一半内存完成FFT工作。

在scipy的FFT函数中似乎没有任何函数可以完成这项工作（请参阅）

除非您能够找到python的定点FFT库，否则您想要的函数不太可能存在，因为您的本机硬件浮点格式是128位。看起来您可以使用rfft方法仅获取FFT的实值分量（无相位），这将节省一半的RAM

我在交互式python中运行了以下操作：

>>> from numpy import *
>>>  v = array(10000*random.random([512,512,512]),dtype=int16)
>>> shape(v)
(512, 512, 512)
>>> type(v[0,0,0])
<type 'numpy.int16'>

在这一点上，Python2.3GB的RSS

>>> type(f)
<type 'numpy.ndarray'>
>>> type(f[0,0,0]) 
<type 'numpy.complex128'>
>>> v = []

是两个世界中最糟糕的，因为它首先计算complex128版本（2.3GB），然后将其复制到complex64版本（1.3GB），这意味着我机器上的RSS峰值为3.6GB，然后又稳定到1.3GB

---

我认为，如果你有4GB内存，这一切都应该工作得很好（就像它为我所做的那样）。有什么问题吗

Scipy 0.8将对几乎所有fft代码提供单精度支持（代码已经在主干中，因此如果现在需要该功能，您可以从svn安装Scipy）。

感谢指向rfftn函数的指针；是的，这些做得很好。f=rfftn（v）、f=array（f，dtype=np.complex64）、f=irfftn（f）的峰值使用量反过来是6224MByte。（如果没有中间转换来complex64，它将使用7754MByte…有点紧）。您的生产阵列大小实际上是否大于512^3？我不知道为什么您会看到我在上面的示例代码中看到的RAM使用率是原来的4倍……请修改您所说的“单精度不存在，因为您的本机硬件是128位的”——本机硬件的128位不超过64位，FFTW在支持这两个方面非常灵活。正如David的回答所指出的，

scipy.fftpack.rfft

支持这一点：

scipy.fftpack.rfft（v.astype（np.float32））.dtype

返回

float32

。不幸的是，即使在2015年，Numpy的支持也落后于Scipy：

>>> type(f)
<type 'numpy.ndarray'>
>>> type(f[0,0,0]) 
<type 'numpy.complex128'>
>>> v = []

>>> f = complex64(fft.fft(v))