Python 输出之间的差异=。。。NumPy中的参数和直接重新分配

以下两个

np.dot

对于方形数组

x

会给出相同的结果吗

import numpy as np
x = np.arange(4 * 4).reshape(4, 4)
np.dot(x, x.T, out=x)  # method 1
x[:] = np.dot(x, x.T)  # method 2

谢谢

为什么我要问：

x+=x.T

与

x+=x.T.copy（）不同

我不知道np.dot的内部是如何工作的。
np.dot是否同样将out参数视为视图？
如果out是要相乘的矩阵之一，可以吗

我使用的numpy来自anaconda，它使用mkl作为后端。
是的，它们是相同的，但从性能角度看，我看到了整数数组的有趣结果：

import perfplot

def f1(x):
    x = x.copy()
    np.dot(x, x.T, out=x)
    return x

def f2(x):
    x = x.copy()
    x[:] = np.dot(x, x.T)
    return x    

perfplot.show(
    setup=lambda n: np.arange(n * n).reshape(n, n),
    kernels=[f1, f2],
    labels=['out=...', 're-assignment'],
    n_range=[2**k for k in range(0, 9)],
    xlabel='N',
    equality_check=np.allclose
)


我曾经生成过绘图计时


对于浮点数组，绝对没有区别

perfplot.show(
    setup=lambda n: np.arange(n * n).reshape(n, n).astype(float),
    kernels=[f1, f2],
    labels=['out=...', 're-assignment'],
    n_range=[2**k for k in range(0, 9)],
    xlabel='N',
    equality_check=np.allclose
)

是的，它们是相同的，但就性能而言，我看到了整数数组的有趣结果：

import perfplot

def f1(x):
    x = x.copy()
    np.dot(x, x.T, out=x)
    return x

def f2(x):
    x = x.copy()
    x[:] = np.dot(x, x.T)
    return x    

perfplot.show(
    setup=lambda n: np.arange(n * n).reshape(n, n),
    kernels=[f1, f2],
    labels=['out=...', 're-assignment'],
    n_range=[2**k for k in range(0, 9)],
    xlabel='N',
    equality_check=np.allclose
)


我曾经生成过绘图计时


对于浮点数组，绝对没有区别

perfplot.show(
    setup=lambda n: np.arange(n * n).reshape(n, n).astype(float),
    kernels=[f1, f2],
    labels=['out=...', 're-assignment'],
    n_range=[2**k for k in range(0, 9)],
    xlabel='N',
    equality_check=np.allclose
)

是的，两种方法产生相同的数组

import numpy as np

def method_1():
    x = np.arange(4 * 4).reshape(4, 4)
    np.dot(x, x.T, out=x)
    return x

def method_2():
    x = np.arange(4 * 4).reshape(4, 4)
    x[:] = np.dot(x, x.T)
    return x

array_1 = method_1()
array_2 = method_2()

print(np.array_equal(array_1, array_2))

给出输出：

真的

是的，两种方法都生成相同的数组

import numpy as np

def method_1():
    x = np.arange(4 * 4).reshape(4, 4)
    np.dot(x, x.T, out=x)
    return x

def method_2():
    x = np.arange(4 * 4).reshape(4, 4)
    x[:] = np.dot(x, x.T)
    return x

array_1 = method_1()
array_2 = method_2()

print(np.array_equal(array_1, array_2))

给出输出：

真的

我安装了一个旧版本的numpy（1.11.0），其中方法1会产生一些奇怪的输出。我知道这不是预期的行为，并且在以后的版本中得到了修复；但万一这发生在其他人身上：

Python 2.7.12 (default, Dec  4 2017, 14:50:18) 
[GCC 5.4.0 20160609] on linux2
>>> import numpy as np
>>> x = np.arange(4 * 4).reshape(4, 4)
>>> np.dot(x, x.T, out=x)
array([[                  14,                   94,                 1011,
                       15589],
       [              115715,          13389961335,         120510577872,
               1861218976248],
       [              182547,       21820147595568,  1728119013671256390,
         5747205779608970957],
       [              249379,       29808359122268,  7151350849816304816,
        -3559891853923251270]])
>>> np.version.version
'1.11.0'

就我所能测试的而言，至少因为numpy1.14.1，方法#1给出了预期的输出；正如方法2对两个版本所做的那样。
我安装了一个较旧版本的numpy（1.11.0），方法1会产生一些奇怪的输出。我知道这不是预期的行为，并且在以后的版本中得到了修复；但万一这发生在其他人身上：

Python 2.7.12 (default, Dec  4 2017, 14:50:18) 
[GCC 5.4.0 20160609] on linux2
>>> import numpy as np
>>> x = np.arange(4 * 4).reshape(4, 4)
>>> np.dot(x, x.T, out=x)
array([[                  14,                   94,                 1011,
                       15589],
       [              115715,          13389961335,         120510577872,
               1861218976248],
       [              182547,       21820147595568,  1728119013671256390,
         5747205779608970957],
       [              249379,       29808359122268,  7151350849816304816,
        -3559891853923251270]])
>>> np.version.version
'1.11.0'

就我所能测试的而言，至少因为numpy1.14.1，方法#1给出了预期的输出；正如方法#2对两个版本所做的那样。
您尝试过吗？您可以检查数组的id，查看是否创建了新对象，并担心未定义的行为。尝试是不够的。它是python后面的c语言。它没有文档记录。我们没有未定义的行为。看到这两种方法是等效的，就等于相信一种方法已经为这项任务完全定义了行为。你认为结果会有所不同吗？是否存在不相似的特定情况？为什么考虑使用第二种情况-
x[：]=…
？是否尝试过？您可以检查数组的id，查看是否创建了新对象，并担心未定义的行为。尝试是不够的。它是python后面的c语言。它没有文档记录。我们没有未定义的行为。看到这两种方法是等效的，就等于相信一种方法已经为这项任务完全定义了行为。你认为结果会有所不同吗？是否存在不相似的特定情况？为什么考虑使用第二种情况-
x[：]=…
？
x=x。copy（）
内存分配可能是计时的主要部分。或者不。。。numpy可以秘密地重用它分配的数组。@Rzu我不这么认为，复制不是这里的瓶颈，它的复杂性是线性的，而计算点是O（N^3）。在任何情况下，这两个函数都会进行复制，因此这是公平的。我更担心的是这两种方法是否会产生相同的结果。第一种方法应始终至少与第二种方法一样快，如果不是更快的话。顺便问一下，您的numpy是否使用mkl作为后端？@Rzu I将
equality\u check=np.allclose
作为参数添加到
perfplot.show
。如果两个方法的输出不同，该函数将抛出一个AssertionError。您将看到没有抛出任何错误，这意味着它是有效的。这是一个没有实际意义的观点，因为它们是相同的操作，在重新分配的方式上有所不同，仅此而已。是的，我的NumPy使用MKL。
x=x.copy（）
内存分配可能是计时的主要部分。或者不。。。numpy可以秘密地重用它分配的数组。@Rzu我不这么认为，复制不是这里的瓶颈，它的复杂性是线性的，而计算点是O（N^3）。在任何情况下，这两个函数都会进行复制，因此这是公平的。我更担心的是这两种方法是否会产生相同的结果。第一种方法应始终至少与第二种方法一样快，如果不是更快的话。顺便问一下，您的numpy是否使用mkl作为后端？@Rzu I将
equality\u check=np.allclose
作为参数添加到
perfplot.show
。如果两个方法的输出不同，该函数将抛出一个AssertionError。您将看到没有抛出任何错误，这意味着它是有效的。这是一个没有实际意义的观点，因为它们是相同的操作，在重新分配的方式上有所不同，仅此而已。是的，我的NumPy使用MKL。您的NumPy使用MKL作为后端吗？是的，我的
NumPy
构建使用
MKL
。您的NumPy使用MKL作为后端吗？是的，我的
NumPy
构建使用
MKL
。谢谢。我要一个numpy版本>=1.14。谢谢。我会要求一个numpy版本>=1.14。