numpy.as_strided的结果是否取决于输入dtype？

Question

结果会numpy.lib.stride_tricks.as_strided取决于NumPy数组的dtype吗？

这个问题来自于定义.strides,即

遍历数组时每个维度中的字节元组.

在这里使用我在其他问题中使用的以下功能.它需要1d或2d数组并创建长度重叠的窗口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)

由于进步的定义,因为,例如,的D类的其他等效的阵列float32,并float64会有不同的步伐,将这个不断炸掉我的rwindows功能上面？

我试过测试,但它一直是一种非详尽的方式,我正在寻找一个答案,(1)解释功能文档中的免责声明/警告是否与我在这里要求的内容有关,(2)解释为什么或为什么不具有不同的dtypes和strides的等效数组在上面会产生不同的结果.

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如此多的准备工作的原因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。您已设置strides，a.strides因此它是动态的。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算法可能会很好，但也可以assert确保。如果不是，则可能要确保as_strided输出适用于nd a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。

2. 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)），则结果可能无法预测，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，您不必这样做），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。