这主要是出于好奇。我注意到 numpy 测试套件包含对 128 位整数的测试，并且该numerictypes模块引用了int128、float256（八倍精度？）和其他似乎没有映射到我机器上的 numpy dtypes 的类型。
我的机器是 64 位的，但我可以使用四倍 128 位浮点数（但不是真的）。我想如果可以在软件中模拟四倍浮点数，理论上也可以模拟八倍浮点数和 128 位整数。另一方面，直到刚才我还从未听说过 128 位整数或八倍精度浮点数。numerictypes如果没有对应的 s，为什么在 numpy 的模块中会引用 128 位整数和 256 位浮点数，dtype我该如何使用它们？
这是一个非常有趣的问题，可能有与 python、计算和/或硬件相关的原因。虽然不想给出一个完整的答案，但这是我要去做的……
首先请注意，类型是由语言定义的，并且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，从而使计算速度慢得多。尽管如此，如果您的应用程序需要它，它可能是值得的，甚至是需要的（迟到总比错误好，特别是如果您正在运行模拟以实现桥稳定性......）那么需要 128 位精度吗？这是关于它的维基百科文章......
一个更有趣的细节是，当我们说一台计算机是 64 位时，这并没有完全描述硬件。有很多部分可以是（至少有时是）不同的位：CPU 中的计算寄存器、内存寻址方案/内存寄存器和不同的总线，其中最重要的是从 CPU 到内存的总线。
- ALU（算术和逻辑单元）具有进行计算的寄存器。您的机器是 64 位的（不确定这是否也意味着它们可以同时进行 2 次 32 位计算）这显然是与本次讨论最相关的数量。很久以前，你可以出去买一个协处理器来加速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（直接）看到的内存，这就是为什么具有 32 位内存寄存器的计算机只能看到 2^32 字节（或大约 4 GB）请注意，对于 16 位，这变成了 65K，这是非常低的。操作系统可以找到绕过此限制的方法，但不能针对单个程序，因此 32 位计算机中的任何程序通常都不能拥有超过 4GB 的内存。
- 请注意，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，我们会加载字节。事实上，这样做的方式是，加载一个字节（8 位）或 8 个（64 位 == 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。可能在一个架构中，所有这些数量都不是相同的位数。
NumPy 非常强大，可以处理比内部 CPU 表示（例如 64 位）大得多的数字。
在动态类型的情况下，它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，它是 long 类型。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（-> 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。例子：
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