这主要是出于好奇心的问题。我注意到numpy测试套件contains tests for 128 bit integers和numerictypes module指的是int128，float256（octuple precision？），以及其他类型的＆＃39}。似乎在我的机器上映射到numpy dtypes。
我的机器是64位，但我可以使用四倍128位浮点数（but not really）。我想如果可以在软件中模拟四重浮点数，理论上也可以模拟八重浮点数和128位整数。另一方面，直到现在我才从未听说过128位整数或八位精度浮点数。如果没有相应的numerictypes，为什么在numpy的dtype模块中引用128位整数和256位浮点数？如何使用它们？
答案 0 :(得分：4)
这是一个非常有趣的问题，可能存在与python，计算和/或硬件相关的原因。虽然不是想给出一个完整的答案，但这是我想要的......
首先请注意，类型是由语言定义的，可能与您的硬件架构不同。例如，您甚至可以使用8位处理器进行双打。当然，任何算术都涉及多个CPU指令，使计算速度慢得多。尽管如此，如果您的应用程序需要它，它可能是值得的，甚至是必需的（更好的是迟到而不是错误，特别是如果说您正在运行模拟以确定桥接稳定性......）那么需要128位精度？这是wikipedia article就可以了......
另一个有趣的细节是，当我们说计算机是64位时，这并不完全描述硬件。有许多部分可以（并且至少有时）不同的位：CPU中的计算寄存器，存储器寻址方案/存储器寄存器以及从CPU到存储器的最重要的总线的不同总线。
- ALU（算术和逻辑单元）具有进行计算的寄存器。你的机器是64位（不确定是否也意味着它们可以在相似的时间进行2次32位计算）这显然是本次讨论最相关的数量。很久以前，过去你可以出去购买co-processor以加快计算更高精度的速度......
- 保存内存地址的寄存器限制了计算机可以看到的内存（直接），这就是具有32位内存寄存器的计算机只能看到2 ^ 32字节（或大约4 GB）的原因请注意，对于16位，这变为65K这是非常低的。操作系统可以找到解决此限制的方法，但不能用于单个程序，因此32位计算机中的程序通常不能超过4GB内存。
- 这些限制是关于字节而不是位。那是因为当从内存中引用和加载时我们加载字节。事实上，这样做的方式，加载一个字节（8位）或8（64位= =你的计算机的总线长度）需要相同的时间。我要求一个地址，然后立即通过总线获取所有位。 在架构中，所有这些数量都不是相同的比特数。
答案 1 :(得分：-1)
NumPy非常强大，可以处理比内部CPU表示大得多的数字（例如64位）。
如果是动态类型，它会将数字存储在数组中。它也可以扩展内存块，这就是为什么你可以有一个500位的整数。这种动态类型称为bignum。在较旧的Python版本中，它的类型很长。在较新的Python（3.0+）中，只有long，称为int，它支持几乎任意数量的数字（ - ＆gt; bignum）。
如果指定数据类型（例如int32），则指定位长度和位格式，即内存中的哪些位代表什么。例如：
dt = np.dtype(np.int32) # 32-bit integer
dt = np.dtype(np.complex128) # 128-bit complex floating-point number
查看：https://docs.scipy.org/doc/numpy/reference/arrays.dtypes.html