如何使用numpy步幅技巧从较大的3D阵列中获取非重叠，大小相等的3D数据块？我想取一个形状(256, 256, 256)的数组并将其重新整形为(8, 128, 128, 128)，其中第一个轴中的每个子数组都是来自较大数组的立方体。换句话说，我想堆叠8个相等大小，不重叠的立方体，这些立方体构成第一个轴中的较大立方体。简单地将数组重新整形为这种新形状不会产生这种结果。
我能够通过Scikit-Image的实现（skimage.util.view_as_blocks）和随后的重塑来实现这一目标。请参阅下面的代码。请注意，重塑会生成数组的副本。
是否有可能通过跨步而不重塑来实现这一目标？
import numpy as np
# Create a 3D (cube) array with each side length 256.
len_ = 256
foo = np.arange(len_**3).reshape((len_, len_, len_))
foo = np.ascontiguousarray(foo)
# View blocks of shape (128, 128, 128).
block_shape = (len_ // 2,) * 3
# Bits taken from `skimage.utils.view_as_blocks`
new_shape = tuple(foo.shape // np.array(block_shape)) + block_shape
new_strides = tuple(foo.strides * np.array(block_shape)) + foo.strides
blocks = np.lib.stride_tricks.as_strided(foo, shape=new_shape, strides=new_strides)
print("shape", blocks.shape)
print("strides", blocks.strides)
# shape (2, 2, 2, 128, 128, 128)
# strides (67108864, 262144, 1024, 524288, 2048, 8)
blocks_reshaped = blocks.reshape((-1, *block_shape))
print("shape", blocks_reshaped.shape)
print("strides", blocks_reshaped.strides)
# shape (8, 128, 128, 128)
# strides (16777216, 131072, 1024, 8)
blocks_reshaped.base is blocks # False