Numpy 就地式铸造

Question

我有一个 numpy 数组phase的浮点数dtype=np.float32 ，我将其转换为整数out ， dtype=np.uint8 。 由于速度是一个问题，这应该就地发生。

我使用以前学生的代码，但代码不起作用

phase = np.arange(0, 4, dtype=np.float32).reshape(2, 2)

out = np.empty((2, 2), dtype=np.uint8)

# Prepare the 2pi -> integer conversion factor and convert.
factor = -(256 / 2 / np.pi)
phase *= factor

print("array phase with dtype float \n ", phase)

# There is some randomness involved in casting positive floats to integers.
# Avoid this by going all negative.
maximum = np.amax(phase)
if maximum >= 0:
    toshift = 256 * 2 * np.ceil(maximum / 256)
    phase -= toshift

# Copy and cast the data to the output
np.copyto(out, phase, casting="unsafe")
print("phase array dtype unsigned integer", out)


# This part (along with the choice of type), implements modulo much faster than np.mod().
bw = int(256 - 1)
np.bitwise_and(out, bw, out=out)
print("array module bit depth \n", out) 

output 是

array phase with dtype float 
  [[  -0.      -162.97466]
 [-325.9493  -488.92395]]
phase array dtype unsigned integer [[  0  94]
 [187  24]]
array module bit depth 
 [[  0  94]
 [187  24]]

执行这个程序会产生我不明白的结果：

1. 为什么-162 会映射到 94？
2. 我知道标志casting=unsafe但需要就地转换。
3. 我也知道300 > 256 ，因此np.uint8数据类型太小。 我想我应该把它增加到np.uint16吗？
4. 为什么在将正浮点数转换为 integer 时会涉及一些随机性？

我也试过np.astype(np.uint8)但结果同样令人失望。

Answer 1

由于速度是一个问题，这应该就地发生。

就地操作并不总是需要更快。 这取决于目标平台和 Numpy 的编译方式（需要考虑很多低级影响）。 不过，它们通常并不慢。 在某些情况下，重复使用缓冲区就足够了（以避免页面错误）。 您是否分析过您的代码并发现这是一个瓶颈？

为什么-162 会映射到 94？

这是因为目标类型的范围（包括 0..255）实际上不支持数字 -162 或任何负数，因为它是 8 位的无符号 integer。 结果，发生了环绕： 256-162=94 。 也就是说，据我所知，这样做会导致未定义的行为。 从一个平台到另一个平台的结果可能会发生变化（实际上是根据过去的 Numpy 问题和问题这样做的）。 因此，我强烈建议使用更大的类型或更改您的代码，以便值适合目标 output 类型范围。

我知道标志 casting=unsafe 但需要就地转换。

casting=unsafe非常明确。 它基本上意味着：“我清楚地知道我在做什么，并接受风险和后果”。 需要您自担风险使用它;）。

我也知道 300 > 256，因此 np.uint8 数据类型太小。 我想我应该把它增加到 np.uint16？

由于数字是负数，您应该改用np.int16 。 除此之外，是的，这是个好主意。

为什么在将正浮点数转换为 integer 时会涉及一些随机性？

这不是真的随机。 这种操作是确定性的，但结果取决于目标平台和输入数字（以及可能是处理器的低级 state 与特定目标平台有关）。 实际上，只要输入的数字在目标范围内，并且没有像 NaN、+Inf、-Inf 值这样的特殊数字，就应该没问题。

我也试过 np.astype(np.uint8) 但结果同样令人失望。

这是正常的。 问题是相同的，并且在两种情况下都调用了相同的转换 function。

---

请注意，您执行的操作并不是真正的就地操作，除了np.bitwise_and(out, bw, out=out) 。 也就是说，它对于np.uint8类型是无用的，因为无论如何范围都限制在 255 以内。

实现模比 np.mod() 快得多

这对正数是正确的，但对负数则不然。 对于负数，这取决于目标平台上整数的底层表示。 这不适用于使用 C1 表示的处理器。 话虽如此，如今所有主流处理器都使用 C2 表示。