想研究一个东西：
如果在使用python计算矩阵运算的时候(比如A和B两个矩阵)，我将A和B计算的结果存在B矩阵中，是不是就不需要分配新的内存。
这个问题对大佬们来说可能很简单，但困扰了我很久。因为常常会出现unable xxx GiB的报错。
结论
先说一下我理解的结论，如有不妥，还请大佬们不吝赐教。
将矩阵A和B运算的结果放在B里面，运算结束后确实不需要分配新的内存(如果数据精度、数组大小都一致的话)。但在运算的过程中，应该是需要给AB运算的结果暂时分配一个新的内存来存放，运算完成后将结果再放回B所占的内存空间中，计算过程中用到的暂时内存随即释放。
如果是向量化的实现，那么计算过程中用到的暂时内存会和等价于一个数组B的内存大小，这样就比较容易出现unable xxxGiB的报错。
但如果是循环计算的话，比如一个格点一个格点计算的话，那暂时内存会很小，也就是一个数据的大小罢了，这样不容易出现unable xxxGiB的报错。但速度比向量化操作慢很多。
三组测试
第一组
将a,b两个数组相加的结果存放在新的数组c中，并通过循环每个点实现。
import numpy as np
from memory_profiler import profile
@profile
def test():
a = np.arange(1000*1000)
b = np.ones_like(a)
c = np.empty_like(a)
for i in range(len(a)):
c[i] = a[i] + b[i]
return a
if __name__ == "__main__":
test()
第二组
将a,b两个数组相加的结果存放在原有数据b中，并通过循环每个点实现。
import numpy as np
from memory_profiler import profile
@profile
def test():
a = np.arange(1000*1000)
b = np.ones_like(a)
for i in range(len(a)):
b[i] = a[i] + b[i]
return b
if __name__ == "__main__":
test()
第三组
将a,b两个数组相加的结果存放在新的数组c中，并通过向量化实现。这里为了能让interval多记录一些计算过程内存的变化，把同样的计算出重复了1000次。
import numpy as np
from memory_profiler import profile
@profile
def test():
a = np.arange(1000*1000)
b = np.ones_like(a)
for i in range(1000):
b = a + b
return b
if __name__ == "__main__":
test()
分析
第一、二两组对比可以发现，将矩阵A和B运算的结果放在B里面，运算结束后确实不需要分配新的内存(如果数据精度、数组大小都一致的话)。
且从第二组实验的折线图可以看出，单个点循环的话，中间内存很小，甚至可以忽略不计，因为线很平，没有什么起伏。
第二、三两组对比可以发现，无论是向量化计算还是循环计算，只要最后结果都放在了原有数组B中，整体来说是不需要分配新的内存的。
但比较二、三组的折线图可以看出，第三组向量化计算的过程中由很多起伏，我理解的是向量化每计算一次中间都需要分配一个同B数组等大小的暂时内存用来存放结果(表现为折线上升到最高点)，待一次循环中的计算完成后再释放(表现为折线下降到起点)。
参考：
https://www.cnblogs.com/kaituorensheng/p/5669861.html
机器学习交流qq群955171419，加入微信群请扫码
