为何设置numpy.shares_memory的max_work为MAY_SHARE_BOUNDS会触发TooHardError？

核心原因 #

max_work参数的作用是限制shares_memory函数判断内存共享时的计算量，numpy为不同检查深度定义了几个常量阈值：

• np.MAY_SHARE_BOUNDS对应阈值1，只允许最基础的快速检查——仅对比两个数组的内存地址范围是否存在重叠可能，不会分析数组的步长、切片结构、维度布局等细节。
• 更高的阈值如np.CAN_SHARE_BOUNDS（10）、np.CAN_SHARE_EXACT（100）则允许函数执行更复杂的计算，比如解析数组内存布局来确认是否真的共享内存。

当设置max_work=np.MAY_SHARE_BOUNDS时，函数仅做最浅层次的检查。如果这种快速检查无法得出明确结论（比如两个数组的内存范围有重叠可能，但需要更深入分析才能确定是否真的共享），函数就会抛出TooHardError——因为它被限制不能进行更多计算来验证。

关于你的示例代码 #

你提供的代码：

import numpy as np

x = np.array([1, 2, 3])
y = x
print(np.shares_memory(x, y, max_work=np.MAY_SHARE_BOUNDS))

理论上应该直接返回True，因为numpy会优先检查两个数组是否为同一个对象，这一步不需要额外计算，不会触发异常。如果你的环境中抛出了TooHardError，大概率是使用的numpy版本较旧，该版本未实现“优先判断对象同一性”的逻辑，导致进入边界检查流程后无法快速得出结论，进而触发错误。

内容的提问来源于stack exchange，提问作者Naughty Constrictor