numpy ascontiguousarra 学习笔记

目录

numpy ascontiguousarra函数

转换命令：

ascontiguousarray等价效果：

ascontiguousarray学习笔记

---

ascontiguousarray函数将一个内存不连续存储的数组转换为内存连续存储的数组，使得运行速度更快。

在昇腾开发版上使用时，因为内存不连续导致预测结果错误。

import numpy as npa = np.array([[1, 2, 3], [4, 5, 6]])
print(a)
print(a.flags) # c_contiguous为True，数组a为C连续性b = np.ascontiguousarray(a)
print(b)
print(b.flags) # c_contiguous为True，数组b为C连续性c = np.ascontiguousarray(a, dtype=np.float32)
print(c)
print(c.flags) # c_contiguous为True，数组c为C连续性且元素类型变为np.float32

转换命令：

 atc --model=plate.onnx --framework=5 --output=plate_rec_color_bs1 --input_format=NCHW --input_shape="images:1,3,48,168" --log=info --soc_version=Ascend310P3

img = np.ascontiguousarray(img)

ascontiguousarray等价效果：

img3.tofile("temp.bin")
img4 = np.fromfile("temp.bin", dtype=np.float32)  # 从bin文件中读取图片

ascontiguousarray学习笔记

1、ascontiguousarray函数将一个内存不连续存储的数组转换为内存连续存储的数组，使得运行速度更快。

比如我们生成一个二维数组，Numpy可以通过.flags熟悉查看一个数组是C连续还是Fortran连续的

import numpy as np
arr = np.arange(12).reshape(3,4)
flags = arr.flags
print("",arr)
print(flags)

output:

 [[ 0  1  2  3][ 4  5  6  7][ 8  9 10 11]]C_CONTIGUOUS : TrueF_CONTIGUOUS : FalseOWNDATA : FalseWRITEABLE : TrueALIGNED : TrueWRITEBACKIFCOPY : FalseUPDATEIFCOPY : False

我们可以看到 C_CONTIGUOUS : True，就说明是行连续，F_CONTIGUOUS : False则代表列不连续。同理如果我们进行arr.T  或者arr.transpose(1,0)则是列连续，行不连续。

import numpy as np
arr = np.arange(12).reshape(3,4)
arr1 = arr.transpose(1,0)
flags = arr1.flags
print("",arr1)
print(flags)

output:

 [[ 0  4  8][ 1  5  9][ 2  6 10][ 3  7 11]]C_CONTIGUOUS : FalseF_CONTIGUOUS : TrueOWNDATA : FalseWRITEABLE : TrueALIGNED : TrueWRITEBACKIFCOPY : FalseUPDATEIFCOPY : False

如果进行在行上的slice即进行切割，则会改变连续性，成为既不C连续，也不Fortran连续的：

import numpy as np
arr = np.arange(12).reshape(3,4)
arr1 = arr[:,0:2]
flags = arr1.flags
print("",arr1)
print(flags)

output:

 [[0 1][4 5][8 9]]C_CONTIGUOUS : FalseF_CONTIGUOUS : FalseOWNDATA : FalseWRITEABLE : TrueALIGNED : TrueWRITEBACKIFCOPY : FalseUPDATEIFCOPY : False

此时利用ascontiguousarray函数，可以将其变为连续的：

import numpy as np
arr = np.arange(12).reshape(3,4)
arr1 = arr[:,0:2]
arr2 = np.ascontiguousarray(arr1)
flags = arr2.flags
print("",arr2)
print(flags)

output:

[[0 1][4 5][8 9]]C_CONTIGUOUS : TrueF_CONTIGUOUS : FalseOWNDATA : TrueWRITEABLE : TrueALIGNED : TrueWRITEBACKIFCOPY : FalseUPDATEIFCOPY : False

C_CONTIGUOUS : True

C_CONTIGUOUS：真