如何处理巨大的 numpy 数组的计算以避免内存分配错误？
How to handle calculations on huge numpy array to avoid memory allocation error?
我需要一个大小为 (62500 x 62500) 的负单位矩阵。
使用 numpy 声明一个正常的单位矩阵就像一个魅力：
eye = np.eye(62500, 62500)
但是，做这样的事情
negative_eye1 = np.negative(np.eye(62500, 62500))
# or
negative_eye2 = np.eye(62500, 62500) * -1
会导致这个错误
Unable to allocate array with shape (62500, 62500) and data type float64
然后在 scipy.sparse.bmat() 函数中使用矩阵，生成 csr 矩阵，内存不再是这样的问题。
如何计算这个矩阵？
您可以使用 scipy.sparse.eye（对角线上有 1 的稀疏矩阵）：
from scipy import sparse
negative_eye = -sparse.eye(62500, 62500)
我需要一个大小为 (62500 x 62500) 的负单位矩阵。 使用 numpy 声明一个正常的单位矩阵就像一个魅力：
eye = np.eye(62500, 62500)
但是，做这样的事情
negative_eye1 = np.negative(np.eye(62500, 62500))
# or
negative_eye2 = np.eye(62500, 62500) * -1
会导致这个错误
Unable to allocate array with shape (62500, 62500) and data type float64
然后在 scipy.sparse.bmat() 函数中使用矩阵，生成 csr 矩阵，内存不再是这样的问题。
如何计算这个矩阵？
您可以使用 scipy.sparse.eye（对角线上有 1 的稀疏矩阵）：
from scipy import sparse
negative_eye = -sparse.eye(62500, 62500)