# 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)
```
- 1. 用戶手冊
- 1.1。 Numba 的約 5 分鐘指南
- 1.2。概述
- 1.3。安裝
- 1.4。使用@jit 編譯 Python 代碼
- 1.5。使用@generated_jit 進行靈活的專業化
- 1.6。創建 Numpy 通用函數
- 1.7。用@jitclass 編譯 python 類
- 1.8。使用@cfunc 創建 C 回調
- 1.9。提前編譯代碼
- 1.10。使用@jit 自動并行化
- 1.11。使用@stencil裝飾器
- 1.12。從 JIT 代碼 中回調到 Python 解釋器
- 1.13。性能提示
- 1.14。線程層
- 1.15。故障排除和提示
- 1.16。常見問題
- 1.17。示例
- 1.18。會談和教程
- 2. 參考手冊
- 2.1。類型和簽名
- 2.2。即時編譯
- 2.3。提前編譯
- 2.4。公用事業
- 2.5。環境變量
- 2.6。支持的 Python 功能
- 2.7。支持的 NumPy 功能
- 2.8。與 Python 語義的偏差
- 2.9。浮點陷阱
- 2.10。 Python 2.7 壽命終止計劃
- 3. 用于 CUDA GPU 的 Numba
- 3.1。概述
- 3.2。編寫 CUDA 內核
- 3.3。內存管理
- 3.4。編寫設備功能
- 3.5。 CUDA Python 中支持的 Python 功能
- 3.6。支持的原子操作
- 3.7。隨機數生成
- 3.8。設備管理
- 3.10。示例
- 3.11。使用 CUDA 模擬器 調試 CUDA Python
- 3.12。 GPU 減少
- 3.13。 CUDA Ufuncs 和廣義 Ufuncs
- 3.14。共享 CUDA 內存
- 3.15。 CUDA 陣列接口
- 3.16。 CUDA 常見問題
- 4. CUDA Python 參考
- 4.1。 CUDA 主機 API
- 4.2。 CUDA 內核 API
- 4.3。內存管理
- 5. 用于 AMD ROC GPU 的 Numba
- 5.1。概述
- 5.2。編寫 HSA 內核
- 5.3。內存管理
- 5.4。編寫設備功能
- 5.5。支持的原子操作
- 5.6。代理商
- 5.7。 ROC Ufuncs 和廣義 Ufuncs
- 5.8。示例
- 6. 擴展 Numba
- 6.1。高級擴展 API
- 6.2。低級擴展 API
- 6.3。示例:間隔類型
- 7. 開發者手冊
- 7.1。貢獻給 Numba
- 7.2。 Numba 建筑
- 7.3。多態調度
- 7.4。關于發電機的注意事項
- 7.5。關于 Numba Runtime 的注意事項
- 7.6。使用 Numba Rewrite Pass 獲得樂趣和優化
- 7.7。實時變量分析
- 7.8。上市
- 7.9。模板注釋
- 7.10。關于自定義管道的注意事項
- 7.11。環境對象
- 7.12。哈希 的注意事項
- 7.13。 Numba 項目路線圖
- 8. Numba 增強建議
- 9. 術語表