我在python中工作，我遇到了一个问题：我必须初始化一个巨大的数组（21 x 2000 x 4000矩阵），以便我可以复制它的子矩阵。 问题是我希望它非常快，因为它是用于实时应用程序，但是当我运行numpy.ones（（21,2000,4000））时，创建此矩阵需要大约一分钟的时间。 当我运行numpy.zeros（（21,2000,4000））时，它是即时的，但只要我复制子矩阵，它需要一分钟，而在第一种情况下，复制部分是即时的。用numpy初始化一个大矩阵的方式太长
有没有更快的方式来初始化一个巨大的数组？
我想没有更快的方法。您构建的矩阵非常大（8字节的float64 x 21 x 2000 x 4000 = 1.25 GB），并且可能占用了系统中大部分物理内存;因此，等待的一分钟可能是因为操作系统必须将其他东西分页以腾出空间。您可以通过在您分配内容并观看内存使用和分页时观看top或类似内容（例如，系统监视器）来检查。
numpy.zeros在您调用它时似乎是即时的，因为内存是由操作系统懒洋洋地分配的。但是，只要您尝试使用它，操作系统实际上必须在某处适合该数据。请参阅Why the performance difference between numpy.zeros and numpy.zeros_like?
您是否可以重构代码，以便仅创建您打算复制的子矩阵，而不必创建大矩阵？
感谢您的澄清。可能不可能不使用巨大矩阵，这是一个包含21个通道的大图像（实际上，深度学习中它实际上有21个类别，具有逻辑像素标记的概率）。 子矩阵是神经网络的输出，它取决于层中输入的步幅大小...... –
在这种情况下，正如@CSᵠ所述，您可能能够在输入之前预先分配矩阵进入您的应用程序的实时循环。如果您可以小心总是重新使用分配的内存，则只需等待一分钟。 – wildwilhelm
如果我假设你正在分配'float64'，你也可以尝试改变'dtype'。使用'float32'只需要640 MB，这可能会更快... – wildwilhelm
*巨大*是你的关键词，无论你做什么，它都需要一段时间设置1.68亿分，所以最好只做一次...... –
我认为这种差异来自'numpy.zeros似乎创建了一个稀疏矩阵，比实际的矩阵要轻。因此，当您复制它时，它将创建实际的矩阵，这需要一分钟，因为它是一个巨大的矩阵（168M单元）。我认为你不会有更快的方式来初始化这种尺寸的矩阵。 – ysearka