从读NumPy的政策释放的内存好像
numpy并 没有
有内存分配/释放的任何特殊处理。它仅
free()在参考计数为零时调用。实际上，使用任何内置的python对象复制问题都是非常容易的。问题出在操作系统级别。
纳撒尼尔·史密斯（Nathaniel Smith）在链接线程的其中一封答复中写了一个解释：
通常，进程可以从OS请求内存，但 不能将其退还给
内存。在C级别上，如果您调用free()，那么实际发生的情况是您进程中的内存管理库自己记录了该内存未使用的情况，并且可能会在将来malloc()从操作系统中将其返回，但是从操作系统的角度来看仍然是“已分配”。（并且python在malloc()/之上使用了另一个类似的系统free()，但这并没有真正改变任何东西。）因此，您看到的OS内存使用率通常是“高水位线”，即您的进程曾经需要的最大内存量。唯一的例外是，对于较大的单个分配（例如，如果您创建一个多兆字节的数组），则使用不同的机制。如此大的内存分配 可以
释放回OS。因此，具体来说，可能是numpy程序的某些部分导致了所看到的问题。
因此，似乎没有通用的解决方案。分配许多小对象将导致工具所描述的“高内存使用率”，即使您将在需要时将其重用，同时分配大对象也不会显示大内存。释放后使用，因为操作系统回收了内存。
您可以验证此分配的内置python对象：
In [1]: a = [[0] * 100 for _ in range(1000000)]In [2]: del a
在执行此代码后，我可以看到在执行以下操作时 未 回收内存：
In [1]: a = [[0] * 10000 for _ in range(10000)]In [2]: del a
内存 被 回收。
为了避免出现内存问题，你应该分配的大阵列，并与他们的工作（也许使用视图来“模拟”小数组？），还是尽量避免有许多小数组 在同一时间
。如果您有一些创建小对象的循环，则可以显式地取消分配每次迭代不需要的对象，而不是仅在最后执行此操作。
我相信Python内存管理可以很好地了解如何在python中管理内存。请注意，除了“操作系统问题”之外，python还添加了另一层来管理内存区域，这可能会导致小对象占用大量内存。
