#python #numpy #bitwise-operators #bit-shift
#python #numpy #побитовые операторы #битовый сдвиг
Вопрос:
Я использую побитовые операции из numpy в двух разных системах и получаю разные / противоречивые результаты. После небольшого расследования я выяснил, что left_shift вызывает проблему. Если я сделаю следующее:
xs = [i for i in range(100)]
np.left_shift(xs, xs)
В первой системе, которую я получаю:
array([ 0, 2, 8,
24, 64, 160,
384, 896, 2048,
4608, 10240, 22528,
49152, 106496, 229376,
491520, 1048576, 2228224,
4718592, 9961472, 20971520,
44040192, 92274688, 192937984,
402653184, 838860800, 1744830464,
3623878656, 7516192768, 15569256448,
32212254720, 66571993088, 137438953472,
283467841536, 584115552256, 1202590842880,
2473901162496, 5085241278464, 10445360463872,
21440476741632, 43980465111040, 90159953477632,
184717953466368, 378231999954944, 774056185954304,
1583296743997440, 3236962232172544, 6614661952700416,
13510798882111488, 27584547717644288, 56294995342131200,
114841790497947648, 234187180623265792, 477381560501272576,
972777519512027136, 1981583836043018240, 4035225266123964416,
8214565720323784704, -1729382256910270464, -2882303761517117440,
-4611686018427387904, -6917529027641081856, -9223372036854775808,
-9223372036854775808, 64, 130,
264, 536, 1088,
2208, 4480, 9088,
18432, 37376, 75776,
153600, 311296, 630784,
1277952, 2588672, 5242880,
10616832, 21495808, 43515904,
88080384, 178257920, 360710144,
729808896, 1476395008, 2986344448,
6039797760, 12213813248, 24696061952,
49928994816, 100931731456, 204010946560,
412316860416, 833223655424, 1683627180032,
3401614098432])
И во второй системе я получаю:
array([ 0, 2, 8,
24, 64, 160,
384, 896, 2048,
4608, 10240, 22528,
49152, 106496, 229376,
491520, 1048576, 2228224,
4718592, 9961472, 20971520,
44040192, 92274688, 192937984,
402653184, 838860800, 1744830464,
3623878656, 7516192768, 15569256448,
32212254720, 66571993088, 137438953472,
283467841536, 584115552256, 1202590842880,
2473901162496, 5085241278464, 10445360463872,
21440476741632, 43980465111040, 90159953477632,
184717953466368, 378231999954944, 774056185954304,
1583296743997440, 3236962232172544, 6614661952700416,
13510798882111488, 27584547717644288, 56294995342131200,
114841790497947648, 234187180623265792, 477381560501272576,
972777519512027136, 1981583836043018240, 4035225266123964416,
8214565720323784704, -1729382256910270464, -2882303761517117440,
-4611686018427387904, -6917529027641081856, -9223372036854775808,
-9223372036854775808, 0, 0,
0, 0, 0,
0, 0, 0,
0, 0, 0,
0, 0, 0,
0, 0, 0,
0, 0, 0,
0, 0, 0,
0, 0, 0,
0, 0, 0,
0, 0, 0,
0, 0, 0,
0])
Итак, как вы можете видеть, до определенного момента результаты становятся противоречивыми. Кто-нибудь знает, что может быть причиной этого?
ДОБАВЛЕНО
Под «разными системами» я подразумеваю разные компьютеры. На первом компьютере установлен numpy 1.15.1, а на втором 1.15.2.
Комментарии:
1. Что здесь означает «разные системы»? Numpy 1.19 против Numpy 1.21? Win против Linux? Python2 против Python3? Dell против HP?
2. Кстати, я получаю второй результат Numpy 1.19.4, Python 3.8.
3. @Mr.T. Я получаю разные результаты на разных компьютерах. Версии numpy также отличаются. Первая имеет версию 1.15.1, а вторая 1.15.2.
4. @Roman Я только что попробовал numpy 1.19 и 1.15.1 — получил те же результаты (номер 2). Может быть, это зависит от машины? Я просмотрел микрофункции numpy, но не нашел подсказки, почему это может происходить. Может быть, если вы предоставите спецификации машины (и битовую ширину ОС), это может дать некоторый намек?
5. С помощью Numpy 1.15.1 в той же среде я получаю результат, который не является ни вашим первым, ни вторым (заканчивается на 792).
Ответ №1:
Старые версии NumPy не определяют, что делают операторы сдвига, если вы пытаетесь сдвинуть на величину> = ширину типа. Они в основном просто делегируют семантику операторам сдвига C, для которых это неопределенное поведение. В зависимости от аппаратных средств и деталей компилятора может произойти практически все, что угодно (теоретически, вплоть до сбоев, проблем с безопасностью и произвольного другого неправильного поведения).
Это было изменено в 1.18, но ваши версии NumPy старше этого.
Если вам нужно определенное поведение, не пытайтесь делать подобные сдвиги.