有没有办法降低 scipy/numpy 精度以减少内存消耗？

在我的 64 位 Debian/Lenny 系统（4GByte RAM + 4GByte 交换分区）上，我可以成功执行以下操作：

v=array(10000*random([512,512,512]),dtype=np.int16)
f=fftn(v)

但 f 是 anp.complex128内存消耗令人震惊，我无法对结果做更多​​的事情（例如调制系数，然后f=ifftn(f)） 没有MemoryError追溯。

不是安装更多的 RAM 和/或扩展我的交换分区，是否有某种方法可以控制 scipy/numpy“默认精度”并让它计算复杂的 64 数组？

我知道我可以随后减少它f=array(f,dtype=np.complex64);我希望它能够以 32 位精度和一半的内存实际执行 FFT 工作。

scipy 的 fft 函数中似乎没有任何函数可以执行此操作（请参阅http://www.astro.rug.nl/efidad/scipy.fftpack.basic.html http://www.astro.rug.nl/efidad/scipy.fftpack.basic.html ).

除非您能够找到适用于 python 的定点 FFT 库，否则您想要的函数不太可能存在，因为您的本机硬件浮点格式是 128 位。看起来您确实可以使用 rfft 方法来获取 FFT 的实值分量（无相位），这将节省一半的 RAM。

我在交互式 python 中运行了以下命令：

>>> from numpy import *
>>>  v = array(10000*random.random([512,512,512]),dtype=int16)
>>> shape(v)
(512, 512, 512)
>>> type(v[0,0,0])
<type 'numpy.int16'>

此时python的RSS（Resident Set Size）为265MB。

f = fft.fft(v)

而此时python的RSS为2.3GB。

>>> type(f)
<type 'numpy.ndarray'>
>>> type(f[0,0,0]) 
<type 'numpy.complex128'>
>>> v = []

此时 RSS 已降至 2.0GB，因为我已经释放了 v.1.0。

使用“fft.rfft(v)”计算实值只会产生 1.3GB RSS。 （几乎一半，如预期）

Doing:

>>> f = complex64(fft.fft(v))

是两全其美的，因为它首先计算complex128版本（2.3GB），然后将其复制到complex64版本（1.3GB），这意味着我的机器上的峰值RSS是3.6GB，然后它稳定到1.3GB再次。

我认为如果你有 4GB RAM，这一切应该都可以正常工作（就像对我来说一样）。有什么问题吗？