Comment migrer en douceur un projet vers la dernière version de numpy

Avec le développement continu du domaine du calcul scientifique, numpy, en tant que l'une des bibliothèques de calcul scientifique les plus importantes en Python, est également constamment mise à jour et itérée. Chaque nouvelle version de numpy apporte des fonctionnalités plus pratiques et des performances plus efficaces, nous avons donc souvent besoin de migrer nos projets vers la dernière version de numpy. Dans cet article, nous expliquerons comment migrer en douceur votre projet vers une dernière version de numpy, et nous fournirons quelques exemples de code spécifiques pour faciliter la compréhension des lecteurs.

1. Comprenez d'abord les changements de version de numpy

Les changements de version de numpy ne sont pas aléatoires. Chaque nouvelle version apportera de nouvelles fonctionnalités, corrigera les problèmes précédents, améliorera les performances, etc. Par conséquent, avant de commencer la migration, nous devons d'abord comprendre la différence entre la version numpy que nous utilisons et la version cible. Cette différence peut affecter notre travail ultérieur de modification de code.

Actuellement, la dernière version de numpy est la 1.20.2. Par rapport à la version 1.16, il y a les changements majeurs suivants :

• De nouvelles fonctions telles que les matrices clairsemées, la transformée de Fourier et l'algèbre linéaire ont été ajoutées.
• Suppression de certaines fonctions ou API obsolètes, telles que la fonction scipy.misc.face, etc.
• Optimisation des performances de certaines opérations, telles que les fonctions np.in1d, np.isin, etc.

2. Analysez votre propre code et apportez des modifications

Après avoir compris les modifications de la version numpy, nous devons analyser notre code pour voir s'il y a quelque chose qui doit être modifié dans la nouvelle version. Les principaux points de modification peuvent être les suivants :

• Certaines API ou fonctions ont été supprimées dans la nouvelle version et doivent être remplacées ou supprimées.
• Les nouvelles fonctions ou fonctionnalités ne sont pas disponibles dans l'ancienne version et doivent être ajoutées.
• Le type ou le format de certains paramètres ou valeurs de retour a changé et doit être modifié.

Par exemple, en supposant que notre projet utilise la fonction np.info et appelle des API scipy.misc.face, alors lors de la migration vers la version 1.20, nous devons apporter les modifications suivantes :

1. La fonction np.info est remplacé par la fonction np.__version__ pour voir la version numpy actuellement utilisée.
2. Remplacez la fonction scipy.misc.face par la fonction skimage.data.face. La fonction scipy.misc.face a été supprimée dans la nouvelle version.

Une autre chose à surveiller est les changements de type ou de format. Par exemple, le type de valeur de retour de la fonction np.mean a changé dans la version 1.20, passant d'un type à virgule flottante à un type entier. Par conséquent, lors de la migration vers la version 1.20, si nous devons utiliser la valeur de retour de la fonction np.mean pour les calculs en virgule flottante, nous devrons effectuer un cast.

Ce qui suit est un exemple spécifique de modification :

import numpy as np
from skimage.io import imshow
from skimage.data import face

img = face(gray=True)
mean_value = np.mean(img) # L'ancienne version renvoie le type à virgule flottante
new_img = img - mean_value.astype('int16') # numpy 1.20 renvoie le type entier, qui nécessite une conversion de type cast

imshow(new_img)

Effectuer des tests unitaires

. Une fois la migration terminée, nous devons effectuer des tests unitaires pour garantir que le projet migré s'exécute normalement et n'affecte pas les autres fonctions du projet. Les tests unitaires peuvent nous aider à découvrir rapidement les problèmes potentiels afin que nous puissions les résoudre à temps.

Ce qui suit est un exemple de test unitaire :

import numpy as np
def test_numpy_version():

assert np.__version__ == '1.20.2', "numpy版本错误"

def test_scipy_face():

from skimage.data import face
from skimage.io import imshow

img = face(gray=True)
imshow(img)

def test_numpy_mean():

from skimage.data import face
from skimage.io import imshow

img = face(gray=True)
mean_value = np.mean(img) 
new_img = img - mean_value.astype('int16') 
assert new_img.dtype == 'int16', "强制类型转换失败"
imshow(new_img)

Avec le test unitaire ci-dessus, nous peut confirmer si la migration se déroule en douceur et garantir que les fonctions liées à numpy dans le projet fonctionnent normalement.

Conclusion

Cet article fournit quelques méthodes et conseils sur la façon de migrer avec succès numpy, et donne quelques exemples de code spécifiques, dans l'espoir d'être utile aux lecteurs. Lors de la migration, nous devons d'abord comprendre les changements de version de numpy, analyser notre propre code et apporter des modifications, et effectuer des tests unitaires pour garantir une migration fluide du projet et un fonctionnement stable.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!