


Mengapa Saya Tidak Boleh Mencipta Tatasusunan NumPy Besar pada Ubuntu, dan Bagaimana Saya Boleh Membetulkan Ralat Peruntukan Memori?
Isu Peruntukan Memori dalam Penciptaan Numpy Array
Masalah
Apabila mencipta tatasusunan NumPy yang besar dengan jenis data 'uint8' pada Ubuntu 18, anda boleh menghadapi ralat:
numpy.core._exceptions.MemoryError: Unable to allocate array with shape and data type uint8
Ini berlaku walaupun sistem mempunyai memori yang mencukupi dan tidak mengalami isu yang sama pada MacOS.
Penyelesaian
Punca isu ini ialah mod pengendalian overcommit sistem pengendalian. Secara lalai, overcommit dinyahdayakan, yang bermaksud kernel akan menolak peruntukan yang melebihi memori yang tersedia.
Untuk menyelesaikannya:
- Semak mod overcommit semasa dengan menjalankan cat /proc/ sys/vm/overcommit_memory.
- Dayakan komitmen berlebihan yang agresif dengan menjalankan echo 1 > /proc/sys/vm/overcommit_memory (sebagai akar).
Memahami Overcommit
Dengan lebih agresif didayakan, sistem membenarkan peruntukan walaupun melebihi memori fizikal. Ini kerana kernel menjangkakan bahawa hanya sebahagian kecil daripada memori yang diperuntukkan akan digunakan secara aktif.
Implikasi
Walaupun terlalu komitmen yang agresif boleh menyelesaikan isu peruntukan, ia harus digunakan dengan berhati-hati:
- Elakkan menggunakan overcommit yang agresif untuk tatasusunan yang tidak jarang, kerana ia boleh menyebabkan keletihan memori.
- Jika anda menulis secara manual ke lokasi memori, pastikan ralat halaman dicetuskan secara eksplisit untuk memperuntukkan memori fizikal.
- Berhati-hati bahawa sistem mungkin mengalami kemerosotan prestasi jika memori yang diperuntukkan digunakan secara aktif.
Contoh
Dengan komit berlebihan agresif didayakan, kod berikut harus berfungsi:
import numpy as np a = np.zeros((156816, 36, 53806), dtype='uint8') print(a.nbytes) # Output: 303755101056
Atas ialah kandungan terperinci Mengapa Saya Tidak Boleh Mencipta Tatasusunan NumPy Besar pada Ubuntu, dan Bagaimana Saya Boleh Membetulkan Ralat Peruntukan Memori?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas











Python lebih mudah dipelajari dan digunakan, manakala C lebih kuat tetapi kompleks. 1. Sintaks Python adalah ringkas dan sesuai untuk pemula. Penaipan dinamik dan pengurusan memori automatik menjadikannya mudah digunakan, tetapi boleh menyebabkan kesilapan runtime. 2.C menyediakan kawalan peringkat rendah dan ciri-ciri canggih, sesuai untuk aplikasi berprestasi tinggi, tetapi mempunyai ambang pembelajaran yang tinggi dan memerlukan memori manual dan pengurusan keselamatan jenis.

Adakah cukup untuk belajar Python selama dua jam sehari? Ia bergantung pada matlamat dan kaedah pembelajaran anda. 1) Membangunkan pelan pembelajaran yang jelas, 2) Pilih sumber dan kaedah pembelajaran yang sesuai, 3) mengamalkan dan mengkaji semula dan menyatukan amalan tangan dan mengkaji semula dan menyatukan, dan anda secara beransur-ansur boleh menguasai pengetahuan asas dan fungsi lanjutan Python dalam tempoh ini.

Python lebih baik daripada C dalam kecekapan pembangunan, tetapi C lebih tinggi dalam prestasi pelaksanaan. 1. Sintaks ringkas Python dan perpustakaan yang kaya meningkatkan kecekapan pembangunan. 2. Ciri-ciri jenis kompilasi dan kawalan perkakasan meningkatkan prestasi pelaksanaan. Apabila membuat pilihan, anda perlu menimbang kelajuan pembangunan dan kecekapan pelaksanaan berdasarkan keperluan projek.

Python dan C masing -masing mempunyai kelebihan sendiri, dan pilihannya harus berdasarkan keperluan projek. 1) Python sesuai untuk pembangunan pesat dan pemprosesan data kerana sintaks ringkas dan menaip dinamik. 2) C sesuai untuk prestasi tinggi dan pengaturcaraan sistem kerana menaip statik dan pengurusan memori manual.

Pythonlistsarepartofthestandardlibrary, sementara

Python cemerlang dalam automasi, skrip, dan pengurusan tugas. 1) Automasi: Sandaran fail direalisasikan melalui perpustakaan standard seperti OS dan Shutil. 2) Penulisan Skrip: Gunakan Perpustakaan Psutil untuk memantau sumber sistem. 3) Pengurusan Tugas: Gunakan perpustakaan jadual untuk menjadualkan tugas. Kemudahan penggunaan Python dan sokongan perpustakaan yang kaya menjadikannya alat pilihan di kawasan ini.

Aplikasi Python dalam pengkomputeran saintifik termasuk analisis data, pembelajaran mesin, simulasi berangka dan visualisasi. 1.Numpy menyediakan susunan pelbagai dimensi yang cekap dan fungsi matematik. 2. Scipy memanjangkan fungsi numpy dan menyediakan pengoptimuman dan alat algebra linear. 3. Pandas digunakan untuk pemprosesan dan analisis data. 4.Matplotlib digunakan untuk menghasilkan pelbagai graf dan hasil visual.

Aplikasi utama Python dalam pembangunan web termasuk penggunaan kerangka Django dan Flask, pembangunan API, analisis data dan visualisasi, pembelajaran mesin dan AI, dan pengoptimuman prestasi. 1. Rangka Kerja Django dan Flask: Django sesuai untuk perkembangan pesat aplikasi kompleks, dan Flask sesuai untuk projek kecil atau sangat disesuaikan. 2. Pembangunan API: Gunakan Flask atau DjangorestFramework untuk membina Restfulapi. 3. Analisis Data dan Visualisasi: Gunakan Python untuk memproses data dan memaparkannya melalui antara muka web. 4. Pembelajaran Mesin dan AI: Python digunakan untuk membina aplikasi web pintar. 5. Pengoptimuman Prestasi: Dioptimumkan melalui pengaturcaraan, caching dan kod tak segerak
