使用 np.memmap 时，result[:] = a[:] - b[:] 会意外创建完整中间数组导致 OOM；应改用支持 out= 参数的 ufunc（如 np.subtract）直接写入磁盘映射内存，避免 RAM 缓存膨胀。
使用 np.memmap 时，`result[:] = a[:] - b[:]` 会意外创建完整中间数组导致 oom；应改用支持 `out=` 参数的 ufunc（如 `np.subtract`）直接写入磁盘映射内存，避免 ram 缓存膨胀。
np.memmap 的核心价值在于将大数组映射到磁盘文件，实现“按需加载”——即仅在实际访问某段数据时才将其调入物理内存（page-in），从而显著降低常驻 RAM 占用。但这一机制仅对单个数组的读/写操作生效；一旦涉及二元运算（如 a[:] - b[:]），NumPy 默认行为是：先在内存中完整计算结果，生成一个全新的临时 ndarray（大小与操作数相同），再将该临时数组整体复制到目标 memmap 中。这正是问题根源：对于每个 16 GiB 的 int64 数组（2×1024³ 元素 × 8 字节），a[:] - b[:] 会瞬间申请约 16 GiB 的额外 RAM 作为中间结果，远超 Colab 12.7 GB 限制，最终触发内核崩溃。
✅ 正确做法是绕过临时数组，直接将运算结果写入目标 memmap 的内存映射地址空间。NumPy 的通用函数（ufunc）如 np.add、np.subtract、np.multiply 等均支持 out 参数，可指定输出缓冲区：
import numpy as np
# 初始化 memmap（保持原样）
a = np.memmap('a.mem', mode='r', dtype=np.int64, shape=(2*1024*1024*1024))
b = np.memmap('b.mem', mode='r', dtype=np.int64, shape=(2*1024*1024*1024))
result = np.memmap('result.mem', mode='w+', dtype=np.int64, shape=(2*1024*1024*1024))
# ✅ 推荐：使用 ufunc out= 参数，零拷贝写入磁盘映射区域
np.subtract(a, b, out=result)
result.flush() # 确保数据落盘⚠️ 注意事项：
- out= 必须指向可写且形状/类型兼容的数组（result 需为 'w+' 或 'r+' 模式）；
- a 和 b 可设为只读模式（mode='r'）以节省内存并防止误写；
- flush() 是必需步骤——它强制将 OS 缓冲区中的脏页同步到磁盘，否则数据可能未持久化；
- 若需更细粒度控制（如处理超大数组或监控内存），仍可手动分块（如每 512 MB），但此时也应使用 out= 而非切片赋值：
BUFF_SIZE = 512 * 1024 * 1024 // 8 # 按元素数计算（int64 占 8 字节）
for i in range(0, result.size, BUFF_SIZE):
end = min(i + BUFF_SIZE, result.size)
np.subtract(a[i:end], b[i:end], out=result[i:end])
result.flush()总结：memmap 不是“自动内存优化器”，而是“可控内存接口”。理解 NumPy 运算的底层内存语义（尤其是临时数组生成规则），并主动选用 out= 参数或分块 ufunc 调用，才是安全处理超大规模数组的关键。
