科学计算数据分析【免费下载链接】numpyThe fundamental package for scientific computing with Python.项目地址https://gitcode.com/gh_mirrors/nu/numpy点击查看免费下载本文基于当前仓库中的 doc/source/release/1.15.4-notes.rst 编写系统梳理 NumPy 1.15.4 这一 bugfix 版本的核心修复内容包括 OpenBLAS 0.3.0 链接带来的线性代数改进、macOS 轮子放弃 32 位二进制的兼容性变更以及缓冲区缓存释放、掩码数组比较运算 fill value 修复、einsum文档修正三项具体变更并结合仓库源码逐一剖析其实现原理帮助读者理解该版本修复了什么、为什么修复以及如何验证。版本定位1.15.3 之后的缺陷修复版NumPy 1.15.4 是一个典型的bugfix release缺陷修复版其定位在发布说明开头即明确针对 1.15.3 发布之后上报的 bug 与回归问题regressions进行修复。它不引入新功能而是专注于稳定 1.15.x 系列。该版本支持Python 2.7、3.4–3.7覆盖了当时主流的 CPython 2 与 CPython 3 运行时。同时该版本的 wheel 安装包与OpenBLAS v0.3.0链接这一改动旨在修复 NumPy 1.14 中用户上报的部分 linalg线性代数问题——OpenBLAS 是 NumPy 官方 wheel 默认使用的底层 BLAS/LAPACK 加速库其版本升级直接关系到np.linalg系列函数如svd、eig、lstsq等在不同硬件上的数值稳定性与正确性。兼容性注意事项macOS 轮子不再包含 32 位二进制本版本包含一条明确的兼容性变更使用该版本或升级前应特别留意NumPy 1.15.x 发布于 PyPI 的OS XmacOSwheel 不再包含 32 位二进制后续版本也是如此。需要 32 位支持的用户应寻找其他方案或自行从源码构建。这一变更对应的讨论记录在 NumPy issue #11625 中。实际影响是在较老的 macOS 系统上依赖 32 位 Python 环境的用户将无法直接通过pip install numpy安装 1.15.4 的预编译轮子这类用户需要从源码自行编译在源码目录执行python setup.py build与python setup.py install或使用各平台对应的构建工具链或寻找第三方提供的 32 位构建产物对绝大多数运行在 64 位 macOS 或 Linux/Windows 上的用户此变更无感知。三项核心修复与一项文档修正本次发布共合并 4 个 Pull Request其中包含 2 个功能缺陷修复、1 个文档修正和 1 个发布准备变更。下面结合仓库源码逐一解读。1. BUG: Dealloc cached buffer infoPR #12296——缓冲区缓存释放修复该修复涉及 NumPy C 层的内存管理。NumPy 的数组对象通过 buffer protocol 对外暴露内存视图当外部代码如memoryview、其他 C 扩展获取缓冲信息buffer info时NumPy 会缓存相关描述结构以避免重复计算若在对象析构dealloc阶段没有正确释放这些缓存信息就会造成内存泄漏。从当前仓库的 C 源码结构可以推断这类逻辑集中在 numpy/_core/src/multiarray 目录下的数组对象生命周期管理代码中该目录包含 buffer、alloc 等相关的.c文件修复的核心是确保在数组对象释放时其缓存的 buffer 信息被同步清理避免长期运行的程序内存持续增长。由于该修复属于 C 层资源管理改动最有效的验证方式是长时间、高频创建/释放数组与 memoryview 场景下的内存占用观测。2. BUG: Fix fill value in masked array and ! opsPR #12297——掩码数组比较运算的填充值修复这是本版本中最值得深入理解的一个行为级修复涉及numpy.mamasked array掩码数组模块中与!两个比较运算符的结果填充值fill value处理。问题背景掩码数组的比较运算结果本身也是一个掩码数组——被掩码的元素比较结果为 masked未被掩码的元素得到真实的布尔比较结果。而结果数组的fill_value用于把掩码数组填充为普通数组时替换 masked 位置的默认值在/!场景下应当是一个布尔值如True/False但修复前存在填充值未被正确转换为布尔类型的问题。源码级剖析该逻辑当前实现于 numpy/ma/core.py 的MaskedArray._comparison方法约第 4225–4297 行__eq__与__ne__分别以operator.eq与operator.ne委托给该方法def _comparison(self, other, compare): omask getmask(other) smask self.mask mask mask_or(smask, omask, copyTrue) odata getdata(other) ... check compare(sdata, odata) ... if compare in (operator.eq, operator.ne): # Adjust elements that were masked, which should be treated # as equal if masked in both, unequal if masked in one. check np.where(mask, compare(smask, omask), check) ... # Cast fill value to np.bool if needed. If it cannot be cast, the # default boolean fill value is used. if check._fill_value is not None: try: fill _check_fill_value(check._fill_value, np.bool) except (TypeError, ValueError): fill _check_fill_value(None, np.bool) check._fill_value fill return check从这段代码可以看出该修复对应的完整语义掩码传播只要比较双方任一元素被掩码结果对应位置即为 maskedmask_or合并双方掩码掩码元素比较语义两个都 masked 的元素视为“相等”仅一方 masked 视为“不相等”np.where(mask, compare(smask, omask), check)结果填充值转换结果数组的_fill_value必须通过_check_fill_value强制转换cast为np.bool类型若原填充值无法转换为布尔例如字符串或复杂类型填充值则回退到默认布尔填充值。这正是 PR #12297 修复的核心位置——保证(a b).filled(...)这类后续操作不会因类型不匹配而出错。验证建议可针对numpy.ma的测试套件运行比较运算相关用例掩码数组测试位于 numpy/ma/tests 目录重点覆盖不同 dtype 的掩码数组执行/!后检查result.fill_value的类型与取值。3. DOC: Correct the default value ofoptimizeinnumpy.einsumPR #12307——einsum参数文档修正numpy.einsum是爱因斯坦求和约定的实现其optimize参数控制是否以及如何优化中间收缩顺序。本次 PR 是一个纯文档修复修正了optimize参数默认值的描述。在 NumPy 1.15.4 时代einsum的optimize参数默认值是False即默认不做路径优化但文档曾一度存在表述不清。查看当前仓库中 numpy/_core/einsumfunc.py 的参数说明约第 1295–1299 行optimize : {False, True, greedy, optimal}, optional Controls if intermediate optimization should occur. No optimization will occur if False and True will default to the greedy algorithm. Also accepts an explicit contraction list from the np.einsum_path function. See np.einsum_path for more details. Defaults to False.要点梳理optimizeFalse不进行路径优化按从左到右的朴素顺序收缩计算量可能较大但行为确定optimizeTrue等价于使用greedy贪心算法寻找较优收缩路径optimizegreedy/optimal显式选择贪心或全局最优算法optimal在小规模张量网络上更精确但开销更大也可直接传入np.einsum_path返回的显式收缩路径列表。同时该文档还说明了一个容易踩坑的行为差异同文件约第 1311–1316 行当输出没有下标如i,i-时默认optimizeFalse返回标量如np.float64而启用优化后 0 维结果可能是标量也可能是 0 维 ndarray取决于收缩路径不应依赖该行为如需保证返回 ndarray应显式传入out参数。这一注释同样与本 PR 的文档修正工作一脉相承提醒调用方在优化模式下对返回类型保持谨慎。4. REL: Prepare for the NumPy 1.15.4 releasePR #12320——发布准备该 PR 是标准的发布流程变更更新版本号、整理 changelog 与发布说明本身不包含功能改动。仓库中的 doc/changelog/1.15.4-changelog.rst 与发布说明保持了同步的变更记录可作为核对本次发布全部合并 PR 的辅助清单。贡献者与变更清单本次发布共有4 位贡献者参与其中带 标记的bbbbbbbba是首次为 NumPy 提交补丁的新贡献者Charles HarrisMatti PicusSebastian Bergbbbbbbbbba首次贡献合并的 Pull Request 总数为 4 个汇总如下PR类型内容#12296BUG释放缓存的 buffer info修复相关内存释放问题#12297BUG修复掩码数组与!运算的填充值fill value类型转换#12307DOC修正numpy.einsum中optimize参数的默认值说明#12320REL为 NumPy 1.15.4 发布做准备版本号与变更记录如何获取与验证该版本当前仓库为只读源码镜像用户可按以下方式获取并验证 NumPy 1.15.4安装预编译 wheel仅 64 位 macOS 及主流平台pip install numpy1.15.4注意 macOS 轮子不含 32 位二进制见上文兼容性说明从源码构建在仓库源码目录执行python setup.py build与python setup.py install该版本仍使用 legacysetup.py构建流程适用于需要 32 位支持或其他自定义构建场景运行测试构建完成后运行python -c import numpy; numpy.test()或针对numpy.ma与numpy.linalg的定向测试numpy/ma/tests重点回归验证本版本的比较运算与线性代数修复。小结NumPy 1.15.4 是一个小而精的维护版本通过升级 OpenBLAS 到 v0.3.0 改善 linalg 可靠性通过 C 层缓冲释放与掩码数组比较填充值两个修复提升内存与行为正确性并以一处einsum文档修正澄清了optimize参数的默认语义。对于仍然运行在 Python 2.7 / 3.4–3.7 环境、或需要 1.15.x 系列稳定性的用户本版本是 1.15 分支的推荐落点升级前请务必确认自身平台不受 macOS 32 位轮子移除的影响。赞分享科学计算数据分析【免费下载链接】numpyThe fundamental package for scientific computing with Python.项目地址https://gitcode.com/gh_mirrors/nu/numpy点击查看免费下载相关推荐MongoDB 部分索引计划缓存研究缓存计划为何不会复用到不合格查询SERVER-102825 / SERVER-106023 回归测试详解MongoDB 部分索引计划缓存研究缓存计划为何不会复用到不合格查询SERVER 102825 / SERVER 106023 回归测试详解 导读 本文基科学计算数据分析NumPy 1.24.3 发布说明解读维护性版本中的回归修复与源码级原理剖析NumPy 1.24.3 发布说明解读维护性版本中的回归修复与源码级原理剖析 NumPy 1.24.3 是一个维护性发布版本maintenance rele科学计算数据分析Flameshot V12.1.0 发布说明深度解读修复清单、源码定位与配置变更全解析Flameshot V12.1.0 发布说明深度解读修复清单、源码定位与配置变更全解析 导读 V12.1.0 是 Flameshot 在 V12.0.0 之后桌面应用截图上一篇10分钟上手LunaTranslator开发从源码到调试的超全指南下一篇Arnis Minecraft 世界生成故障排查指南从启动不了到建筑缺失创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考