如何避免 Numpy 自动类型转换为 float64？

Question

是否可以避免或发出从整数和

32 bit float arrays

到

64 bit float arrays

的自动 Numpy 类型转换的警告？

我的用例是，我正在开发一个大型分析包（20k 行 Python 和 Numpy），并且当前混合了 float 32 和 64 以及一些 int 数据类型，很可能导致性能次优和浪费内存，基本上我想在任何地方都一致地使用 float32。

我知道在 Tensorflow 中组合两个不同 dtype 的数组会产生错误 - 正是因为隐式转换为 float64 会导致性能不佳，并且对所有计算张量都是“传染性的”，并且如果隐式完成则很难找到引入它的位置。

在 Numpy 中寻找一个选项或一种对 Numpy 进行猴子修补的方法，使其在这方面的行为类似于 Tensorflow，即在

np.add

、

np.mul

等操作上的隐式类型转换时发出错误，甚至更好，发出带有打印回溯的警告，以便继续执行，但我知道它发生在哪里。可能吗？

Answer 1

免责声明：我没有以任何认真的方式对此进行测试，但这似乎是一条很有前途的路线。

操纵 ufunc 行为的一种相对轻松的方法似乎是 子类化

ndarray

和重写

__array_ufunc__

。例如，如果您满足于捕捉任何产生

float64

的东西

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 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（我确信还有更多）

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__

似乎是抓住那些的。

Answer 2

类 no64(np.ndarray): def array_ufunc（自身，ufunc，方法，*输入，**kwds）： ret = getattr(ufunc, 方法)(map(np.asarray,输入), **kwds) # 一些 ufunc 返回多个数组： if isinstance(ret,元组): 如果有（ret中的x，x.dtype == np.float64）： 引发值错误 return ((x.view(no64) for x in ret),) 如果 ret.dtype == np.float64: 引发值错误 返回 ret.view(no64)

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