如何避免 Numpy 类型转换？-解网

问：

是否可以避免或发出从整数和到的自动 Numpy 类型转换的警告？32 bit float arrays64 bit float arrays

我的用例是，我正在开发一个大型分析包（20k 行 Python 和 Numpy），目前混合了 float 32 和 64 以及一些 int dtypes，这很可能导致性能欠佳和内存浪费，基本上我想在任何地方一致地使用 float32。

我知道在 Tensorflow 中，组合两个不同 dtype 的数组会产生错误 - 正是因为对 float64 的隐式转换会导致性能不佳，并且在所有计算张量上都具有“传染性”，并且如果隐式进行，很难找到它在哪里引入。

在 Numpy 中寻找一个选项或一种对 Numpy 进行猴子修补的方法，以便它在这方面的行为像 Tensorflow 一样，即在诸如等操作的隐式类型转换时发出错误，或者更好的是，发出带有打印回溯的警告，以便继续执行，但我看到它发生在哪里。可能？np.addnp.mul

Python Numpy TensorFlow 浮点

class no64(np.ndarray):
    def __array_ufunc__(self, ufunc, method, *inputs, **kwds):
        ret = getattr(ufunc, method)(*map(np.asarray,inputs), **kwds)
        # some ufuncs return multiple arrays:
        if isinstance(ret,tuple):
            if any(x.dtype == np.float64 for x in ret):
                raise ValueError
            return (*(x.view(no64) for x in ret),)
        if ret.dtype == np.float64:
             raise ValueError
        return ret.view(no64)

x = np.arange(6,dtype=np.float32).view(no64)

现在让我们看看我们的班级可以做什么：

x*x
# no64([ 0.,  1.,  4.,  9., 16., 25.], dtype=float32)
np.sin(x)
# no64([ 0.        ,  0.84147096,  0.9092974 ,  0.14112   , -0.7568025 ,
#       -0.9589243 ], dtype=float32)
np.frexp(x)
# (no64([0.   , 0.5  , 0.5  , 0.75 , 0.5  , 0.625], dtype=float32), no64([0, 1, 2, 2, 3, 3], dtype=int32))

现在让我们将它与一个 64 位参数配对：

x + np.arange(6)
# Traceback (most recent call last):
#   File "<stdin>", line 1, in <module>
#   File "<stdin>", line 9, in __array_ufunc__
# ValueError

np.multiply.outer(x, np.arange(2.0))
# Traceback (most recent call last):
#   File "<stdin>", line 1, in <module>
#   File "<stdin>", line 9, in __array_ufunc__
# ValueError

什么不起作用（我敢肯定还有更多）

np.outer(x, np.arange(2.0))  # not a ufunc, so slips through
# array([[0., 0.],
#        [0., 1.],
#        [0., 2.],
#        [0., 3.],
#        [0., 4.],
#        [0., 5.]])

__array_function__似乎就是抓住了那些。

上一个：MSVC 中可能存在的错误与编译时 NaN 比较

下一个：C （MIPS） - 如何判断编译器加载单精度浮点数与 GPR 的模拟？

如何避免 Numpy 类型转换？

How to avoid Numpy type conversions?

评论