NumPy 计算放大规模前，先锁定内存与数值误差

科学计算扩大输入规模时，时间不是唯一风险。临时数组、数据类型与数值误差也要随规模一起观测。

1. 计时之前先验证结果

科学计算的性能结论离不开输入规模、数据类型、机器环境和重复方式。计时前需要预热，计时后应同时观察内存分配和结果正确性。

优化前后使用同一输入生成规则与容差，并记录 dtype、数组形状和库版本。换机器或 BLAS 实现后，不直接沿用旧的耗时排名。

2. 按最小闭环验证

排障记录以最小输入、异常栈和依赖摘要为主；不记录原始数据或可识别信息。对照实现应先保证等价，再讨论向量化、编译或并行带来的差异。

先用小数组对照 NumPy 原实现与候选实现，按业务容差检查结果。通过后逐级扩大形状，同时记录峰值内存，避免只看单次计时。

3. 参考实现与图示

下面的数组示例只验证计算等价性。性能比较还需固定 dtype、数组形状、线程数和 BLAS 实现，并进行预热和多次重复。

import numpy as np values = np.arange(12, dtype=np.float64).reshape(3, 4) reference = values.sum(axis=1) candidate = np.add.reduce(values, axis=1) np.testing.assert_allclose(candidate, reference)

4. 复核清单

• 优化前后结果是否在声明的误差范围内。
• 临时数组和复制是否造成峰值内存突增。
• 预热、重复次数和统计量是否写进脚本。
• 输入规模超过预算时是否分块或明确拒绝。

性能结论要带运行条件

没有形状、dtype、库版本和误差口径的“更快”，无法迁移到另一组数据。先把这些条件保存下来，再谈放大规模。