如何防止此内存泄漏在numpy布尔索引中

Question

我正在尝试优化numpy中的方法，在图像的许多位置上评估高斯函数。现在，我正在围绕每个高斯的中心位置计算布尔掩码，并使用它们对数据数组进行索引，以节省计算时间。对于少量数据点，与通过np.argwhere计算索引相比，布尔索引极大地加速了脚本。

不幸的是，似乎布尔索引似乎导致内存泄漏。以下示例使我的RAM达到最大值。我该如何预防？这是一个小问题，还是我做错了什么？我认为这可能是因为布尔索引创建了数据的副本，就像有人在this answer中写的那样。不再需要复制后，是否不应该释放内存？有没有办法手动释放内存？

import numpy as np
import matplotlib.pyplot as plt


class Image():
    def __init__(self, nx, ny, px):
        x = np.linspace(0, nx * px, nx)
        y = np.linspace(0, ny * px, ny)
        self.x, self.y = np.meshgrid(x, y)
        self.data = np.zeros((nx, ny), dtype=np.uint8)
        self.nx = nx  # number of pixels
        self.ny = ny
        self.px = px  # pixel size [mm]

    def gaussian(self, x, y, x0, y0, amplitude=None, sigma=0.01):
        """ 2d gaussian function

        Parameters:
            x, y: coordinates of evaluation position
            x0, y0: center coordinates of Gaussian
            amplitude: amplitude of the Gaussian
            sigma: width of Gaussian
        """
        if amplitude is None:
            amplitude = np.iinfo(self.data.dtype).max
        result = amplitude * np.exp(
            -((x - x0)**2 + (y - y0)**2) / (2 * sigma ** 2))
        return result.astype(self.data.dtype)

    def mask_from_pos(self, x0, y0, radius_px):
        """ returns a square mask around the position (x0, y0)
        """
        masks = np.zeros((x0.size, self.ny, self.nx), dtype=bool)
        i_center_x = (x0 // self.px).astype(int)
        i_center_y = (y0 // self.px).astype(int)
        for ix, iy, mask in zip(i_center_x, i_center_y, masks):
            y_start = max(0, min(iy - radius_px, self.ny - 1))
            y_end = max(0, min(iy + radius_px + 1, self.ny))
            x_start = max(0, min(ix - radius_px, self.nx - 1))
            x_end = max(0, min((ix + radius_px + 1), self.nx))

            mask[y_start: y_end, x_start: x_end] = True
        return masks

    def add_gaussians(self, posx, posy, radius_px=9):
        masks = self.mask_from_pos(posx, posy, radius_px)
        for x0, y0, mask in zip(posx, posy, masks):
            self.data[mask] += self.gaussian(
                self.x[mask], self.y[mask], x0, y0).astype(self.data.dtype)


if __name__ == '__main__':
    image = Image(2000, 2000, 0.005)
    xy_max = 2000 * 0.005
    x0 = np.random.rand(3000) * xy_max
    y0 = np.random.rand(3000) * xy_max
    image.add_gaussians(x0, y0)

    plt.figure(dpi=300, figsize=(8, 8))
    plt.imshow(image.data,
            cmap=plt.get_cmap('gray'),
            extent=[0, xy_max, 0, xy_max])
我已经尝试调试此函数，并且python对象似乎都没有增长，所以我认为这是numpy中的问题，但我不确定100％。任何帮助，我们将不胜感激！预先感谢。

编辑1：解决方法

我发现了一种解决方案，它可以提供相同的结果，但不会占用大量内存。简单地用mask-generator代替mask-array的计算就可以了：

    def mask_from_pos_gen(self, x0, y0, radius_px):
        """ yields a square mask around the position (x0, y0)
        """
        i_center_x = (x0 // self.px).astype(int)
        i_center_y = (y0 // self.px).astype(int)
        for ix, iy in zip(i_center_x, i_center_y):
            mask = np.zeros(self.data.shape, dtype=bool)
            y_start = max(0, min(iy - radius_px, self.ny - 1))
            y_end = max(0, min(iy + radius_px + 1, self.ny))
            x_start = max(0, min(ix - radius_px, self.nx - 1))
            x_end = max(0, min((ix + radius_px + 1), self.nx))

            mask[y_start: y_end, x_start: x_end] = True
            yield mask
然后可以使用与mask_from_pos之前完全相同的方法来使用此方法，但是以这种方式释放内存。如果有人遇到相同的问题，请把它留在这里，希望一些麻木的大师能够解释这种现象。

我正在尝试优化numpy中的方法，在图像的许多位置上评估高斯函数。现在，我正在围绕每个高斯的中心位置计算布尔蒙版，并使用...

Answer 1

事实证明，布尔型索引不是解决此问题的最佳解决方案。与布尔型蒙版相比，使用numpy slice可以大大提高速度。