Как избежать огромного дополнительного потребления памяти при использовании векторизации numpy?

Этот код ниже лучше всего иллюстрирует мою проблему:

Вывод на консоль (обратите внимание, запуск даже первого теста занимает около 8 минут) показывает, что выделения массива 512x512x512x16-бит потребляют не больше, чем ожидалось (256 МБ для каждого), и, глядя на «сверху», процесс обычно остается суб- 600MB, как и ожидалось.

Однако при вызове векторизованной версии функции процесс расширяется до огромного размера (более 7 ГБ!). Даже самое очевидное объяснение, которое я могу придумать для объяснения этого — векторизация преобразует входные и выходные данные в число с плавающей запятой 64 внутренне — может объяснить только пару гигабайт, хотя векторизованная функция возвращает int16, а возвращаемый массив, безусловно, int16. Есть ли способ избежать этого? Я неправильно использую/понимаю аргумент векторизации otypes?

import numpy as np
import subprocess

def logmem():
    subprocess.call('cat /proc/meminfo | grep MemFree',shell=True)

def fn(x):
    return np.int16(x*x)

def test_plain(v):
    print "Explicit looping:"
    logmem()
    r=np.zeros(v.shape,dtype=np.int16)
    for z in xrange(v.shape[0]):
        for y in xrange(v.shape[1]):
            for x in xrange(v.shape[2]):
                r[z,y,x]=fn(x)
    print type(r[0,0,0])
    logmem()
    return r

vecfn=np.vectorize(fn,otypes=[np.int16])

def test_vectorize(v):
    print "Vectorize:"
    logmem()
    r=vecfn(v)
    print type(r[0,0,0])
    logmem()
    return r

logmem()    
s=(512,512,512)
v=np.ones(s,dtype=np.int16)
logmem()
test_plain(v)
test_vectorize(v)
v=None
logmem()

Я использую те версии Python/numpy, которые актуальны в системе AMD64 Debian Squeeze (Python 2.6.6, numpy 1.4.1).