- r - 以节省内存的方式增长 data.frame
- ruby-on-rails - ruby/ruby on rails 内存泄漏检测
- android - 无法解析导入android.support.v7.app
- UNIX 域套接字与共享内存(映射文件)
我正在计算线性系统 Ax=b 的解,其中 A 是一个大的(对于相关的密集矩阵,通常有 200,000 行和列)稀疏矩阵,b 是一个大约 100 列的稀疏矩阵。
当我在 Windows 系统(Python 2.7、scipy 0.14.0)上运行我的代码时,以下命令
from scipy.sparse.linalg import spsolve
...
Temp = spsolve(A.tocsc(),b.tocsc())
运行流畅,需要大约 7 GB 的内存。
在 Linux 系统上使用完全相同的矩阵运行完全相同的代码(相同的 CPU,相同数量的 RAM 内存:64 GB,Linux Mint 17.3, python 2.7, scipy 0.13.3) 需要超过 20 GB 的 ram 内存,它崩溃并显示以下错误消息:
<function umfpack_di_numeric at ...> failed with UMFPACK_ERROR_out_of_memory
(参见 1)
因为这个错误是操作系统相关的,我排除了关于矩阵 A 和 b 的任何问题(与提到的一些解决方案相反 in this post ),并且我我正在尝试找到特定于 Linux 的修复程序......但我不知道从哪里开始......有没有人知道发生了什么?为什么这样的问题会特定于 Linux 系统?
请在下面找到完整的错误消息:
Exception in Tkinter callback
Traceback (most recent call last):
File "/usr/lib/python2.7/lib-tk/Tkinter.py", line 1489, in __call__
return self.func(*args)
File "...", line 1533, in mmvConstruction
...
File "...", line 1555, in modes_cb
Temp = spsolve(k[inter][:,inter].tocsc(),k[inter][:,exter].tocsc())
File "/usr/lib/python2.7/dist-packages/scipy/sparse/linalg/dsolve/linsolve.py", line 151, in spsolve
Afactsolve = factorized(A)
File "/usr/lib/python2.7/dist-packages/scipy/sparse/linalg/dsolve/linsolve.py", line 352, in factorized
umf.numeric(A)
File "/usr/lib/python2.7/dist-packages/scipy/sparse/linalg/dsolve/umfpack/umfpack.py", line 450, in numeric
umfStatus[status]))
RuntimeError:<function umfpack_di_numeric at ...> failed with UMFPACK_ERROR_out_of_memory
更新:仍在尝试寻找解决方案...似乎 Linux Mint 上最新版本的 BLAS 很旧:1.8.2。在 Windows 上,我使用 BLAS 1.9.1。使用 test_numpy.py
时此处提供文件:https://gist.github.com/osdf/3842524#file-test_numpy-py我注意到 Linux 和 Windows 之间存在非常显着的差异:Linux:版本 1.8.2,maxint 9223372036854775807,点:0.76 s - Windows:版本 1.9.1,maxint 2147483647,点: 0,037 秒。我正在调查 Linux 上的 OPENBLAS 是否可以解决这个问题...
更新 2: 我意识到问题可能与硬件有关。事实上,一台旧 PC,在相同的 Linux Mint 发行版(Rosa 17.3)上具有完全相同的库,可以提供更令人满意的结果。第一次更新中提到的基准测试在这台旧 PC 上给出:Linux:版本 1.8.2,maxint 9223372036854775807,点:0,054 秒。
最佳答案
好吧,经过彻底调查,我现在确信我遇到的问题与 Linux Mint (Rosa 17.3) 可能未针对最新处理器进行优化这一事实有关。
我在帖子更新中提到的比较强调了软件安装是正确的。然后我在我的 PC 上安装了 Fedora 23,按顺序安装:
然后我用完全相同的矩阵运行完全相同的代码,没有任何问题:RAM 消耗限制在大约 7 GB,类似于在 Windows 系统上观察到的情况。
关于python - scipy.sparse.linalg.spsolve Linux 系统上大型稀疏矩阵的令人惊讶的行为,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/36344049/
我在使用 cx_freeze 和 scipy 时无法编译 exe。特别是,我的脚本使用 from scipy.interpolate import griddata 构建过程似乎成功完成,但是当我尝试
是否可以通过函数在 scipy 中定义一个稀疏矩阵,而不是列出所有可能的值?在文档中,我看到可以通过以下方式创建稀疏矩阵 There are seven available sparse matrix
SciPy为非线性最小二乘问题提供了两种功能: optimize.leastsq()仅使用Levenberg-Marquardt算法。 optimize.least_squares()允许我们选择Le
SciPy 中的求解器能否处理复数值(即 x=x'+i*x")?我对使用 Nelder-Mead 类型的最小化函数特别感兴趣。我通常是 Matlab 用户,我知道 Matlab 没有复杂的求解器。如果
我有看起来像这样的数据集: position number_of_tag_at_this_position 3 4 8 6 13 25 23 12 我想对这个数据集应用三次样条插值来插值标签密度;为此
所以,我正在处理维基百科转储,以计算大约 5,700,000 个页面的页面排名。这些文件经过预处理,因此不是 XML 格式。 它们取自 http://haselgrove.id.au/wikipedi
Scipy 和 Numpy 返回归一化的特征向量。我正在尝试将这些向量用于物理应用程序,我需要它们不被标准化。 例如a = np.matrix('-3, 2; -1, 0') W,V = spl.ei
基于此处提供的解释 1 ,我正在尝试使用相同的想法来加速以下积分: import scipy.integrate as si from scipy.optimize import root, fsol
这很容易重新创建。 如果我的脚本 foo.py 是: import scipy 然后运行: python pyinstaller.py --onefile foo.py 当我启动 foo.exe 时,
我想在我的代码中使用 scipy.spatial.distance.cosine。如果我执行类似 import scipy.spatial 或 from scipy import spatial 的操
Numpy 有一个基本的 pxd,声明它的 c 接口(interface)到 cython。是否有用于 scipy 组件(尤其是 scipy.integrate.quadpack)的 pxd? 或者,
有人可以帮我处理 scipy.stats.chisquare 吗?我没有统计/数学背景,我正在使用来自 https://en.wikipedia.org/wiki/Chi-squared_test 的
我正在使用 scipy.odr 拟合数据与权重,但我不知道如何获得拟合优度或 R 平方的度量。有没有人对如何使用函数存储的输出获得此度量有建议? 最佳答案 res_var Output 的属性是所谓的
我刚刚下载了新的 python 3.8,我正在尝试使用以下方法安装 scipy 包: pip3.8 install scipy 但是构建失败并出现以下错误: **Failed to build sci
我有 my own triangulation algorithm它基于 Delaunay 条件和梯度创建三角剖分,使三角形与梯度对齐。 这是一个示例输出: 以上描述与问题无关,但对于上下文是必要的。
这是一个非常基本的问题,但我似乎找不到好的答案。 scipy 到底计算什么内容 scipy.stats.norm(50,10).pdf(45) 据我了解,平均值为 50、标准差为 10 的高斯中像 4
我正在使用 curve_fit 来拟合一阶动态系统的阶跃响应,以估计增益和时间常数。我使用两种方法。第一种方法是在时域中拟合从函数生成的曲线。 # define the first order dyn
让我们假设 x ~ Poisson(2.5);我想计算类似 E(x | x > 2) 的东西。 我认为这可以通过 .dist.expect 运算符来完成,即: D = stats.poisson(2.
我正在通过 OpenMDAO 使用 SLSQP 来解决优化问题。优化工作充分;最后的 SLSQP 输出如下: Optimization terminated successfully. (Exi
log( VA ) = gamma - (1/eta)log[alpha L ^(-eta) + 测试版 K ^(-eta)] 我试图用非线性最小二乘法估计上述函数。我为此使用了 3 个不同的包(Sc
我是一名优秀的程序员,十分优秀!