numpy.as_strided的结果是否取决于输入dtype？

Question

结果是否numpy.lib.stride_tricks.as_strided取决于NumPy数组的dtype？

这个问题来自的定义.strides，即

在遍历数组时在每个维度中步进的字节元组。

采取以下我在其他问题中使用过的功能。它需要一个1d或2d数组并创建length的重叠窗口window。结果将比输入大一维。

def rwindows(a, window):
    if a.ndim == 1:
        a = a.reshape(-1, 1)
    shape = a.shape[0] - window + 1, window, a.shape[-1]
    strides = (a.strides[0],) + a.strides
    windows = np.lib.stride_tricks.as_strided(a, shape=shape, strides=strides)
    return np.squeeze(windows)

# examples
# rwindows(np.arange(5), window=2)
# rwindows(np.arange(20).reshape((5,4)), window=2)

由于步幅的定义，例如由于
dtype的等效数组，float32并且float64具有不同的步幅，这是否会炸毁我rwindows上面的函数？

我已经尝试进行测试，但是它只是一种非详尽的方式，正在寻找一个答案，即（1）解释功能doc的免责声明/警告是否与我在此处的要求有关，以及（2）解释了为什么或为什么不同的dtype和stride等价的数组会在上面产生不同的结果。

Answer 1

不，警告as_strided是针对两个与数据大小无关的问题，而这两个问题更多地来自写入结果视图。

1. 首先，没有任何保护措施，以确保view = as_strided(a . . . ) 只有 点记忆a。这就是为什么在致电之前要进行大量的准备工作的原因as_strided。如果您的算法已关闭，则可以轻松地将指针view指向不位于中的内存a，并且确实可以将其指向垃圾，其他变量或您的操作系统。如果随后写入该视图，则数据可能会丢失，放错位置或损坏。。。或使您的计算机崩溃。

对于您的特定示例，它的安全性在很大程度上取决于您所使用的输入。你已经设置strides有a.strides使是动态的。您可能需要assert的dtype的a是不奇怪的事情一样object。

如果确定 始终 具有a大于的2-d
，则window可能对算法没问题，但也可以assert这样做。如果不是，您可能要确保as_strided输出适用于nda数组。例如：

shape = a.shape[0] - window + 1, window, a.shape[-1]

应该是

shape = (a.shape[0] - window + 1, window) + a.shape[1:]

为了接受nd输入。就引用坏内存而言，这 可能 永远不会成为问题，但是如果您有更大的维度，则当前shape将引用错误的数据a。

1. 其次，创建的视图多次引用相同的数据块。如果您随后对该视图进行并行写入（通过view = foo或bar( . . ., out = view)），则结果可能是不可预测的，并且可能不是您所期望的。

就是说，如果您担心问题并且不需要写入as_strided视图（因为对于大多数常用的卷积应用程序而言，您不需要这样做），则可以始终将其设置为writable = False，即使出现这种情况也可以避免这两个问题您strides和/或shape不正确。

编辑：
正如@hpaulj所指出的那样，除了这两个问题外，如果您对view进行复制的操作（像是.flatten()花哨的索引很大一部分），则可能导致MemoryError。