numpy float64、float32和float16标量都使用相同的字节数。
numpy float64、float32和float16标量都使用相同的字节数。
提问于 2022-05-16 10:25:30
我使用的是不同精度的numpy浮点数，但是无论我使用什么精度，64、32或16，对象都使用相同的字节数(单个浮点数为48字节)！下面是代码：
import numpy as np
from pympler.asizeof import asizeof
w = np.float32(2)
print(f"{asizeof(w)=}")
w = np.float64(2)
print(f"{asizeof(w)=}")
w = np.float16(2)
print(f"{asizeof(w)=}")知道为什么会这样吗？
更新：
我在这里使用pympler来检查对象(w)的确切大小，但我也用大量的单个numpy浮点数(每个数字存储为一个字典值(具有不同的键)来测试这个值，通过观察进程中RAM的使用情况，我可以看到，无论我使用何种精度，RAM的使用都不会改变。
Stack Overflow用户
发布于 2022-05-16 16:07:02
我不知道pympler做什么，也不知道它在测量numpy对象的大小时有多精确。sys.getsizeof是一个更常见的工具。我怀疑pympler试图绕过已知的列表和数据集getsizeof的限制，但对于numpy来说，这是相当好的。
In [44]: import sys
In [45]: sys.getsizeof(np.float32(2))
Out[45]: 28
In [46]: sys.getsizeof(np.float64(2))
Out[46]: 32
In [47]: sys.getsizeof(np.float16(2))
Out[47]: 26这些数字表明，这些对象具有24字节的“开销”，16的数据为2字节，32的为2字节，64的为8。
通常，我们不直接创建np.float64对象。相反，我们使用特定的dtype创建数组，并在索引特定元素时获得类似于np.float64对象的内容。请记住，numpy不通过引用存储值(除非它的对象dtype更像list )。
相反，请查看一个数组：
In [48]: x = np.arange(24)
In [49]: x.dtype
Out[49]: dtype('int64')
In [50]: x.nbytes
Out[50]: 192 # 24 * 8
In [51]: sys.getsizeof(x)
Out[51]: 304
In [52]: 304-192
Out[52]: 112 # array 'overhead'
In [53]: y = np.array([0])
In [54]: y.nbytes
Out[54]: 8
In [55]: sys.getsizeof(y)
Out[55]: 120 # same 112 byte overhead因此，数组的大小为112个字节加上它的nbytes，这是我们从dtype和shape获得的。这是假设数组“拥有”它的数据，也就是说，它不是其他数组的view。
In [57]: type(x)
Out[57]: numpy.ndarray
In [58]: type(x[0])
Out[58]: numpy.int64x的“提取”元素为int64类型。x的数据存储为24*8字节，而不是24 32字节对象。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/72257722
复制相关文章
相似问题
腾讯云开发者
