对于C++来说，深拷贝与浅拷贝 的概念非常明确。但是，对于python的numpy 来说，深拷贝与浅拷贝比较难理解。因此，当Python传指针给C++时，很容易出现局部变量的指针提前释放产生的Bug。
-
array和asarray都可以将结构数据转化为ndarray
-
np.array 会copy出一个副本，占用新的内存，属于深拷贝
-
np.asarray 当 dtype 相同时，指针指向的内存相同，属于浅拷贝。
-
np.asarray 当 dtype 不同时，使用深拷贝。
代码验证如下：
import numpy as np
list_1 = [1, 2, 3, 4]
np_data_1 = np.array(list_1, dtype=np.float32)
np_data_2 = np.array(np_data_1, dtype=np.double)
print(np_data_2 is np_data_1)
np_data_3 = np.asarray(np_data_1, dtype=np.float32)
print(np_data_3 is np_data_1)
np_data_4 = np.asarray(np_data_1, dtype=np.double)
print(np_data_4 is np_data_1)
False
False
引用的官方文档地址：
https://numpy.org/doc/stable/reference/generated/numpy.asarray.html ：
outndarray Array interpretation of a. No copy is performed if the input is already an ndarray with matching dtype and order. If a is a subclass of ndarray, a base class ndarray is returned.
当类型与 order dtype 相同时，没有拷贝。 当不同时，会有拷贝。
这个文档也可以佐证：1.15 版本:https://docs.scipy.org/doc/numpy-1.15.0/reference/generated/numpy.asarray.html
对于C++来说，深拷贝与浅拷贝 的概念非常明确。但是，对于python的numpy 来说，深拷贝与浅拷贝比较难理解。因此，当Python传指针给C++时，很容易出现局部变量的指针提前释放产生的Bug。array和asarray都可以将结构数据转化为ndarraynp.array 会copy出一个副本，占用新的内存，属于深拷贝np.asarray 当 dtype 相同时，指针指向的内存相同，属于浅拷贝。np.asarray 当 dtype 不同时，使用深拷贝。代码验证如下：import
python变量名相当于标签名
list2 = list1, 直接赋值，实质上指向的是同一个内存值。任意一个变量(list1 or list2)发生改变，都会影响另外一个。
>>> list1=[1,2,3,4,5,6]
>>> list2=list1
>>> list1[2]=88
>>> list1
numpy 深拷贝、浅拷贝和视图总结和例子
ndarray类的索引和切片方法
组切片得到的是原始数组的视图，所有修改都会直接反映到源数组。如果需要得到的ndarray 切片的一份副本,需要进行复制操作
arange[5:8].copy()
Python的列表序列不同，通过下标范围获取的新的数组是原始数组的一个视图。它与原始数组共享同一块数据空间.
import numpy as np
a=np.arange(10)
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
什么是 NumPy 呢？
NumPy 这个词来源于两个单词 – Numerical和Python。其是一个功能强大的 Python 库，可以帮助程序员轻松地进行数值计算，通常应用于以下场景：
执行各种数学任务，如：数值积分、微分、内插、外推等。因此，当涉及到数学任务时，它形成了一种基于 Python 的 MATLAB 的快速替代。
计算机中的图像表示为多维数字数组。NumPy 提供了一些优秀的库函数来快速处理图像。例如，镜像图像、按特定角度旋转图像等。
在编写机器学习算法时，需要对矩阵进行各种数值
