我有一个计算大张量的C函数,我希望通过pybind11将其作为NumPy数组返回到Python.

从pybind11的文档来看,似乎使用STL unique_ptr 是可取的.
在下面的示例中,注释掉的版本有效,而给定的版本在运行时编译但失败(“无法将函数返回值转换为Python类型！”).

为什么smartpointer版本失败了？创建和返回NumPy数组的规范方法是什么？

PS：由于程序结构和数组的大小,不希望复制内存,而是从给定的指针创建数组.内存所有权应由Python采用.

typedef typename py::array_t<double, py::array::c_style | py::array::forcecast> py_cdarray_t;

// py_cd_array_t _test()
std::unique_ptr<py_cdarray_t> _test()
{
    double * memory = new double[3]; memory[0] = 11; memory[1] = 12; memory[2] = 13;
    py::buffer_info bufinfo (
        memory,                                   // pointer to memory buffer
        sizeof(double),                           // size of underlying scalar type
        py::format_descriptor<double>::format(),  // python struct-style format descriptor
        1,                                        // number of dimensions
        { 3 },                                    // buffer dimensions
        { sizeof(double) }                        // strides (in bytes) for each index
    );

    //return py_cdarray_t(bufinfo);
    return std::unique_ptr<py_cdarray_t>( new py_cdarray_t(bufinfo) );
}

解决方法:

一些评论(然后是一个有效的实施).

> pybind11围绕Python类型的C对象包装器(如pybind11 :: object,pybind11 :: list,在本例中为pybind11 :: array_t< T>)实际上只是围绕底层Python对象指针的包装器.在这方面,已经承担了共享指针包装器的作用,因此在unique_ptr中包装它没有意义：返回py :: array_t< T>对象直接已经基本上只返回一个美化指针.
> pybind11 :: array_t可以直接从数据指针构造,因此您可以跳过py :: buffer_info中间步骤,只需给出形状并直接跨步到pybind11 :: array_t构造函数.以这种方式构造的numpy数组不会拥有自己的数据,它只会引用它(也就是说,numpy owndata标志将被设置为false).
>内存所有权可以与Python对象的生命相关联,但是你仍然可以正确地进行释放. Pybind11提供了一个py :: capsule类来帮助你做到这一点.你想要做的是通过将numpy数组指定为array_t的基本参数,使numpy数组依赖于此数据包作为其父类.这将使numpy数组引用它,只要数组本身处于活动状态就保持活动状态,并在不再引用它时调用清理函数.
>旧版(2.2之前版本)中的c_style标志仅对新数组产生影响,即未传递值指针时.如果您仅指定形状但不指定步幅,则在2.2版本中修复此选项也会影响自动步幅.如果您自己直接指定步幅,则它完全没有效果(就像我在下面的示例中所做的那样).

因此,将这些部分放在一起,这段代码是一个完整的pybind11模块,它演示了如何完成您正在寻找的内容(并包含一些C输出以证明其确实正常工作)：

#include <iostream>
#include <pybind11/pybind11.h>
#include <pybind11/numpy.h>

namespace py = pybind11;

PYBIND11_PLUGIN(numpywrap) {
    py::module m("numpywrap");
    m.def("f", []() {
        // Allocate and initialize some data; make this big so
        // we can see the impact on the process memory use:
        constexpr size_t size = 100*1000*1000;
        double *foo = new double[size];
        for (size_t i = 0; i < size; i++) {
            foo[i] = (double) i;
        }

        // Create a Python object that will free the allocated
        // memory when destroyed:
        py::capsule free_when_done(foo, [](void *f) {
            double *foo = reinterpret_cast<double *>(f);
            std::cerr << "Element [0] = " << foo[0] << "\n";
            std::cerr << "freeing memory @ " << f << "\n";
            delete[] foo;
        });

        return py::array_t<double>(
            {100, 1000, 1000}, // shape
            {1000*1000*8, 1000*8, 8}, // C-style contiguous strides for double
            foo, // the data pointer
            free_when_done); // numpy array references this parent
    });
    return m.ptr();
}

编译并从Python调用它表明它工作：

>>> import numpywrap
>>> z = numpywrap.f()
>>> # the python process is now taking up a bit more than 800MB memory
>>> z[1,1,1]
1001001.0
>>> z[0,0,100]
100.0
>>> z[99,999,999]
99999999.0
>>> z[0,0,0] = 3.141592
>>> del z
Element [0] = 3.14159
freeing memory @ 0x7fd769f12010
>>> # python process memory size has dropped back down