as_strided的核心原理是零拷贝内存重解释：通过新shape、strides和offset直接映射原数组内存，要求总字节数≤原nbytes且strides以字节为单位；需手动保证安全，推荐writeable=False。
as_strided 的核心原理：绕过内存复制，直接重解释指针
它不创建新数组，只是用新的 shape、strides 和 offset 去“重新读取”原数组的内存块。只要新视图的内存访问范围完全落在原数组的连续内存内，就是安全的零拷贝；一旦越界或 stride 设错，就会读到脏数据甚至 segfault —— as_strided 不做边界检查，全靠你手动保证。
- 必须确保
shape× 对应strides所覆盖的总字节数 ≤ 原数组nbytes -
strides单位是字节，不是元素个数：比如arr.dtype == np.float64（8 字节），则跨 1 行的 stride 应为8 * arr.shape[1]，不是arr.shape[1] - 推荐配合
writeable=False创建只读视图，避免意外修改底层内存引发未定义行为
滑动窗口（rolling window）的经典用法
这是最常用也最容易出错的场景。例如把一维数组 a = np.arange(10) 变成每 3 个元素一组、步长为 1 的窗口：[[0,1,2], [1,2,3], ..., [7,8,9]]，形状应为 (8, 3)。
from numpy.lib.stride_tricks import as_strided a = np.arange(10) win_size = 3 shape = (len(a) - win_size + 1, win_size) strides = (a.strides[0], a.strides[0]) # 每行起始地址差 1 个元素（字节），列内也是 1 元素步长 windows = as_strided(a, shape=shape, strides=strides, writeable=False)
注意：strides 不能写成 (1, 1) —— 这是字节单位错误；也不能写成 (a.itemsize, a.itemsize) 而不乘维度，因为 a.strides[0] 已经是字节跨度，直接复用最安全。
二维图像 patch 提取：避免 reshape + loop
对图像 img（如 (64, 64)）提取 (16, 16) 大小、无重叠的 patches，目标 shape 是 (4, 4, 16, 16)（即 4×4 个 patch）。
- 原
img.strides是(64 * img.itemsize, img.itemsize) - 新视图在 patch 行/列方向的 stride 应为
16 * img.strides[0]和16 * img.strides[1] - patch 内部 stride 不变：
img.strides
h, w = img.shape ph, pw = 16, 16 shape = (h//ph, w//pw, ph, pw) strides = (ph * img.strides[0], pw * img.strides[1], img.strides[0], img.strides[1]) patches = as_strided(img, shape=shape, strides=strides, writeable=False)
如果想支持重叠 patch（如步长=8），只需把 strides 中前两个分量改为 8 * img.strides[0] 和 8 * img.strides[1]，并相应调整 shape。
为什么不用 sliding_window_view？
np.sliding_window_view（v1.20+）本质就是封装了 as_strided，但它做了安全校验、自动推导 stride，并返回可写视图（底层仍零拷贝）。如果你用的是旧 NumPy 或需要极致控制（比如自定义非均匀 stride），才需手写 as_strided；否则优先用 sliding_window_view —— 它更安全、语义清晰，且同样零拷贝。
真正容易被忽略的是：即使零拷贝，视图仍共享原数组内存；若原数组被 del 或超出作用域，视图会变成悬空指针，读取结果不可预测 —— 所以务必确保源数组生命周期 ≥ 视图使用期。
