如何避免 Numpy 类型转换？

Question

是否可以避免或发出 Numpy 类型从 integer 和32 bit float arraysto自动转换的警告64 bit float arrays？

我的用例是我正在开发一个大型分析包（20k 行 Python 和 Numpy），目前混合了 float 32 和 64 以及一些 int dtypes，很可能导致次优性能和内存浪费，基本上我想在任何地方都一致地使用 float32 。

我知道在Tensorflow 中结合两个不同dtype 的数组会产生错误 - 正是因为隐式转换为 float64 会导致性能不佳并且对所有计算张量都是“传染性的”，如果隐式完成，很难找到它被引入的位置。

寻找在numpy的一个选项，还是有办法的猴子补丁numpy的，这样它的行为在这方面像Tensorflow，即发出对隐式类型转换错误的操作一样np.add，np.mul等等，甚至更好，发出印有追溯警告，所以执行继续，但我看到它发生的地方。可能的？

Answer 1

免责声明：我没有以任何认真的方式对此进行测试，但这似乎是一条很有前途的路线。

操纵 ufunc 行为的一种相对轻松的方法似乎是子类化ndarray和覆盖__array_ufunc__。例如，如果您满足于捕捉任何产生的东西float64

class no64(np.ndarray):
    def __array_ufunc__(self, ufunc, method, *inputs, **kwds):
        ret = getattr(ufunc, method)(*map(np.asarray,inputs), **kwds)
        # some ufuncs return multiple arrays:
        if isinstance(ret,tuple):
            if any(x.dtype == np.float64 for x in ret):
                raise ValueError
            return (*(x.view(no64) for x in ret),)
        if ret.dtype == np.float64:
             raise ValueError
        return ret.view(no64)

x = np.arange(6,dtype=np.float32).view(no64)

现在让我们看看我们的类可以做什么：

x*x
# no64([ 0.,  1.,  4.,  9., 16., 25.], dtype=float32)
np.sin(x)
# no64([ 0.        ,  0.84147096,  0.9092974 ,  0.14112   , -0.7568025 ,
#       -0.9589243 ], dtype=float32)
np.frexp(x)
# (no64([0.   , 0.5  , 0.5  , 0.75 , 0.5  , 0.625], dtype=float32), no64([0, 1, 2, 2, 3, 3], dtype=int32))

现在让我们将它与 64 位参数配对：

x + np.arange(6)
# Traceback (most recent call last):
#   File "<stdin>", line 1, in <module>
#   File "<stdin>", line 9, in __array_ufunc__
# ValueError

np.multiply.outer(x, np.arange(2.0))
# Traceback (most recent call last):
#   File "<stdin>", line 1, in <module>
#   File "<stdin>", line 9, in __array_ufunc__
# ValueError

什么不起作用（我确信还有更多）

np.outer(x, np.arange(2.0))  # not a ufunc, so slips through
# array([[0., 0.],
#        [0., 1.],
#        [0., 2.],
#        [0., 3.],
#        [0., 4.],
#        [0., 5.]])

__array_function__似乎是抓住那些的东西。