# 2.9。浮點陷阱 > 原文： [http://numba.pydata.org/numba-doc/latest/reference/fpsemantics.html](http://numba.pydata.org/numba-doc/latest/reference/fpsemantics.html) ## 2.9.1。精度和準確度 對于某些操作，Numba 可能使用與 Python 或 Numpy 不同的算法。結果可能不是逐位兼容的。差異通常應該很小并且在合理的期望范圍內。但是，小的累積差異最終可能會產生很大的差異，特別是如果涉及不同的功能。 ### 2.9.1.1。數學庫實現 Numba 支持各種平臺和操作系統，每個平臺和操作系統都有自己的數學庫實現（此處稱為`libm`）。 `libm`中包含的大多數數學函數都有 IEEE 754 標準規定的特定要求（如`sin()`，`exp()`等），但每個實現都可能有錯誤。因此，在某些平臺上，Numba 必須特別注意以解決已知的`libm`問題。 另一個典型問題是操作系統的`libm`功能集不完整，需要通過附加功能進行補充。這些參考 IEEE 754 和 C99 標準提供，并且通常以類似于等效 CPython 功能的方式在 Numba 中實現。 特別是，已知數學庫問題會影響 Windows 上的 Python 2.7 構建，因為 Python 2.7 需要使用過時版本的 Microsoft Visual Studio 編譯器。 ### 2.9.1.2。線性代數 即使給出`float32`輸入，Numpy 也會強制某些線性代數運算以雙精度模式運行。當所有輸入都是`float32`或`complex64`時，Numba 將始終觀察輸入的精度，并調用單精度線性代數例程。 Numba 中`numpy.linalg`例程的實現僅支持在提供底層核心功能的 LAPACK 函數中使用的浮點類型。因此，僅支持`float32`，`float64`，`complex64`和`complex128`類型。如果用戶有例如在`int32`類型中，在用于這些例程之前，必須對浮點類型執行適當的類型轉換。這個決定的原因是基本上避免必須復制在 Numpy 中做出的類型轉換選擇，并且還鼓勵用戶為他們正在進行的操作選擇最佳浮點類型。 ### 2.9.1.3。混合型操作 Numpy 最常返回`float64`作為使用混合整數和浮點操作數的計算結果（典型示例是冪運算符`**`）。相比之下，Numba 將在浮點操作數中選擇最高精度，因此例如`float32 ** int32`將返回`float32`，而不管輸入值如何。這使得性能特征更容易預測，但如果需要額外的精度，則應明確地將輸入轉換為`float64`。 ## 2.9.2。警告和錯誤 當調用 [`vectorize()`](jit-compilation.html#numba.vectorize "numba.vectorize") 創建的 [ufunc](../glossary.html#term-ufunc) 時，Numpy 將通過檢查 FPU 錯誤字來確定是否發生錯誤。然后它可能會打印出警告或引發異常（例如`RuntimeWarning: divide by zero encountered`），具體取決于當前的錯誤處理設置。 但是，根據 LLVM 如何優化 ufunc 代碼，可能會出現一些虛假警告或錯誤。如果您遇到此問題，我們建議您調用 [`numpy.seterr()`](https://docs.scipy.org/doc/numpy/reference/generated/numpy.seterr.html#numpy.seterr "(in NumPy v1.16)") 來更改 Numpy 的錯誤處理設置，或者 [`numpy.errstate`](https://docs.scipy.org/doc/numpy/reference/generated/numpy.errstate.html#numpy.errstate "(in NumPy v1.16)") 上下文管理器暫時切換它們： ```py with np.errstate(all='ignore'): x = my_ufunc(y) ```