目前，我正在用Python为本科论文实施本文，但我只使用Mahalanobis Metric Learning（如果您很好奇）。
在快捷方式中，当我需要学习一个由整数组成的67K*67K的矩阵时，我会面临问题，而简单地通过 numpy.dot(A.T,A)，其中a是一个随机向量大小（1,67K）。当我这样做时，这只是扔内存器，因为我的PC只有8GB RAM，而所需内存的原始计算是16GB。比我寻找替代方案并找到了dask。
所以我使用此dask.array.dot(A.T,A)继续前往Dask，并且已经完成了。但是，我需要对矩阵进行美白转换，在DASK中，我可以通过获得SVD来实现它。但是每次我这样做时，ipython内核死亡（由于缺乏记忆，我认为这是因为它认为它）。
这是我远离初始化的事情，直到内核死亡：
fv_length=512*2*66
W = da.random.randint(10,20,(fv_length),(1000,1000))
W = da.reshape(W,(1,fv_length))
W_T = W.T
Wt = da.dot(W_T,W); del W,W_T
Wt = da.reshape(Wt,(fv_length*fv_length/2,2))
U,S,Vt = da.linalg.svd(Wt); del Wt
我还没有得到U，S和VT。
即使我使用dask，我的内存根本不足以做这类事情？还是实际上这不是规格问题，而是我的不良内存管理？还是其他？
此时，我拼命尝试使用其他较大的规格PC，因此我计划租用32GB RAM的裸金属服务器。即使我这样做了，还够了吗？
一般来说的dask。array不能保证所有计算的核心外操作。方形矩阵矩阵乘数（或任何L3 BLAS操作）或不可能在小内存中有效地做到。
you can 要求dask使用中间值的盘缓存。请参阅问题下的常见问题我的计算填充内存，我如何溢出到磁盘？。但是，这将受到磁盘编写速度的限制，这些速度通常相当慢。
大型存储器和Numpy可能是解决此问题的最简单方法。另外，您可以尝试找到对问题的不同表述。