✅ 正确做法是用 np.subtract(a, b, out=result) 避免临时数组:a、b 设为 mode='r',result 为 'w+' 模式且 dtype/shape 严格匹配,运算后必须 flush();分块时每步仍需 out=,禁用切片赋值或链式表达式。

用 np.memmap 时别写 result[:] = a[:] - b[:]
这是最典型的 OOM 诱因:表面看只是“赋值”,实际会触发完整中间数组分配。比如两个 2 GiB 的 int64 memmap,a[:] - b[:] 会瞬间申请约 16 GiB RAM 存临时结果(2×1024³ × 8 字节),远超多数环境限制。
✅ 正确做法是绕过隐式临时数组,直接写入目标缓冲区:
- 必须用支持
out=参数的 ufunc,如np.subtract(a, b, out=result) -
result必须是mode='w+'或'r+',且dtype和shape与运算结果严格一致 -
a和b建议设为mode='r',避免页错误干扰,也防误写 - 运算后务必调用
result.flush(),否则数据可能滞留在 OS 缓冲区未落盘
分块处理时仍要强制用 out=,不能只切片
即使你手动分块,只要用了 a[i:end] - b[i:end] 这类表达式,NumPy 仍会为每个块分配独立临时数组——累积起来照样 OOM。
正确分块写法要求每一步都绑定 out:
- 计算块大小时按字节对齐:
BUFF_SIZE = 512 * 1024 * 1024 // a.dtype.itemsize(不是固定元素数) - 每块运算必须写成
np.subtract(a[i:end], b[i:end], out=result[i:end]) - 避免
temp = a[i:end] - b[i:end]; result[i:end] = temp,这等于白分块 - 若需多步链式运算(如
a - b + c),得复用临时 memmap,不能堆叠表达式
dtype 不匹配或 shape 写错会静默放大内存压力
np.memmap 不校验磁盘文件真实内容,只按你传的参数映射。一旦 dtype 或 shape 错,后果很隐蔽:
-
shape=(1e6, 1e6)是 float 字面量 → 触发TypeError: 'float' object cannot be interpreted as an integer - 声明
dtype='float64'但文件实际存的是uint16→ NumPy 按 8 字节/元素解析,读出乱码,还可能越界触发段错误 - 用
int64映射一个只含布尔值的文件 → 内存占用膨胀 64 倍,且无任何警告 - Windows 下
mode='r'的 memmap 仍可能被系统缓存到 RAM,Linux 需额外madvise控制(Python 不暴露该接口)
生成器 + memmap 是安全组合,但多进程下必须隔离实例
Keras 或 PyTorch DataLoader 多 worker 场景下,共享同一 memmap 实例极易崩溃——不是数据错乱就是卡死。
- 绝对禁止在模块顶层定义 memmap 后传入生成器;每个 worker 必须在生成器函数内独立调用
np.memmap(..., mode='r') -
mode只能是'r',禁用'r+'或'c',否则多进程写冲突 - 切片前必须做边界检查:
end = min(start + batch_size, total_len),越界访问可能触发整块加载 - 生成器本身不解决 memmap 误用问题;它只是把“错在哪”从运行时报错延后到数据消费时
真正容易被忽略的点是:memmap 的“懒加载”只对单数组读写有效,所有涉及多个数组的运算、广播、切片,都会打破这个契约。你写的每一行 NumPy 表达式,都要先问自己——它是否隐式创建了新数组。
Python免费学习笔记(深入):立即使用
在学习笔记中,你将探索 Python 的核心概念和高级技巧!











