<ruby id="bdb3f"></ruby>

    <p id="bdb3f"><cite id="bdb3f"></cite></p>

      <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
        <p id="bdb3f"><cite id="bdb3f"></cite></p>

          <pre id="bdb3f"></pre>
          <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

          <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
          <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

          <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                <ruby id="bdb3f"></ruby>

                合規國際互聯網加速 OSASE為企業客戶提供高速穩定SD-WAN國際加速解決方案。 廣告
                # 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) ```
                  <ruby id="bdb3f"></ruby>

                  <p id="bdb3f"><cite id="bdb3f"></cite></p>

                    <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
                      <p id="bdb3f"><cite id="bdb3f"></cite></p>

                        <pre id="bdb3f"></pre>
                        <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

                        <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
                        <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

                        <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                              <ruby id="bdb3f"></ruby>

                              哎呀哎呀视频在线观看