साइथन में np.ndarray के लिए स्मृति को कैसे संभाला जाता है?</p> <pre><code>cdef np.ndarray[np.int64_t, ndim=1] my_array </code></pre> <p>मेरी <code>my_array</code> कहाँ संग्रहीत किया जाता है:

Question

उदाहरण के लिए यदि मैं यह कर? मुझे लगता है कि चूंकि मैंने ढेर पर स्टोर करने के लिए साइथन को नहीं बताया था, इसलिए इसे स्टैक पर संग्रहीत किया जाएगा, लेकिन निम्नलिखित प्रयोग करने के बाद ऐसा लगता है कि यह ढेर पर संग्रहीत है, या किसी भी तरह कुशलतापूर्वक स्मृति प्रबंधित है। स्मृति को my_array के संबंध में कैसे प्रबंधित किया जाता है? शायद मुझे कुछ याद आ रही है, लेकिन मुझे इस पर कोई दस्तावेज नहीं मिला।

import numpy as np 
cimport cython 
cimport numpy as np 

from libc.stdlib cimport malloc, free 

def big_sum(): 
    # freezes up: 
    # "a" is created on the stack 
    # space on the stack is limited, so it runs out 

    cdef int a[10000000] 

    for i in range(10000000): 
     a[i] = i 

    cdef int my_sum 
    my_sum = 0 
    for i in range(10000000): 
     my_sum += a[i] 
    return my_sum 

def big_sum_malloc(): 
    # runs fine: 
    # "a" is stored on the heap, no problem 

    cdef int *a 
    a = <int *>malloc(10000000*cython.sizeof(int)) 

    for i in range(10000000): 
     a[i] = i 

    cdef int my_sum 
    my_sum = 0 
    for i in range(10000000): 
     my_sum += a[i] 

    with nogil: 
     free(a) 
    return my_sum  

def big_numpy_array_sum(): 
    # runs fine: 
    # I don't know what is going on here 
    # but given that the following code runs fine, 
    # it seems that entire array is NOT stored on the stack 

    cdef np.ndarray[np.int64_t, ndim=1] my_array 
    my_array = np.zeros(10000000, dtype=np.int64) 

    for i in range(10000000): 
     my_array[i] = i 

    cdef int my_sum 
    my_sum = 0 
    for i in range(10000000): 
     my_sum += my_array[i] 
    return my_sum 

Answer 1

साइथन यहां जादुई कुछ भी नहीं कर रहा है। नम्पी के पास एक पूर्ण सी-एपीआई है, और यही वह है जो साइथन बातचीत कर रहा है - साइथन मेमोरी मैनेजमेंट खुद ही नहीं कर रहा है, और नुकीले सरणी में मेमोरी उसी तरह से संभाली जाती है जब यह अजगर से एक numpy सरणी का उपयोग करते हैं। @ बाकुरीयू सही है - यह निश्चित रूप से ढेर पर है।

cimport numpy as np 
def main(): 
    zeros = np.zeros 
    cdef np.ndarray[dtype=np.double_t, ndim=1] array 
    array = zeros(10000) 

यह बराबर मुख्य कार्य में निम्नलिखित सी में अनुवाद किया जाता है:

इस cython कोड पर विचार करें। मैंने इसे साफ़ करने के लिए क्लीनर बनाने के लिए घोषणाओं और त्रुटि हैंडलिंग कोड को हटा दिया है।

PyArrayObject *__pyx_v_array = 0; 
PyObject *__pyx_v_zeros = NULL; 
PyObject *__pyx_t_1 = NULL; 
PyObject *__pyx_t_2 = NULL; 

// zeros = np.zeros    # <<<<<<<<<<<<<< 
// get the numpy module object 
__pyx_t_1 = __Pyx_GetModuleGlobalName(__pyx_n_s__np); 
// get the "zeros" function 
__pyx_t_2 = __Pyx_PyObject_GetAttrStr(__pyx_t_1, __pyx_n_s__zeros) 
__pyx_v_zeros = __pyx_t_2; 

// array = zeros(10000)    # <<<<<<<<<<<<<< 
// (__pyx_k_tuple_1 is a static global variable containing the literal python tuple 
// (10000,) that was initialized during the __Pyx_InitCachedConstants function) 
__pyx_t_2 = PyObject_Call(__pyx_v_zeros, ((PyObject *)__pyx_k_tuple_1), NULL); 
__pyx_v_array = ((PyArrayObject *)__pyx_t_2); 

यदि आप numpy सी API दस्तावेज़ों को देखने, आप पाएंगे कि PyArrayObject numpy ndarray के सी-api struct है देखेंगे। यहां मुख्य बिंदु यह देखना है कि साइथन स्पष्ट रूप से मेमोरी आवंटन को संभाल नहीं रहा है। वही वस्तु उन्मुख डिजाइन सिद्धांत पायथन और numpy सी apis के साथ लागू होते हैं, और यहां स्मृति प्रबंधन PyArrayObject की ज़िम्मेदारी है। पाइथन में एक numpy सरणी के उपयोग से स्थिति अलग नहीं है।