Question

在numpy中使用单精度（float32）编写代码时，写入起来太难了。

首先，单个预先浮动的decalartion太长。我们必须按如下方式键入所有变量。

a = np.float32(5)

但是其他一些语言使用更简单的表示法。

a = 5.f

其次，气密操作也很不方便。

b = np.int32(5)+np.float32(5)

我预计b的类型为numpy.float32，但它是numpy.float64。

当然，

b = np.add(np.int32(5), np.float32(5), dtype=np.float32)

返回我想要的东西。但是更换所有操作的时间太长了。

是否有更简单的方法在numpy中使用单精度？

Answer 1

首先让我解释为什么你不想在Python中使用单精度浮点数：

大多数架构可以像单精度浮动一样快速地处理双精度。 Python中的算术运算在Python类型上运行速度很快，但在其他类型运行速度较慢。

import numpy as np
a32 = np.float32(1)
a64 = np.float64(1)
a = 1.
%timeit [a32 + a32 for _ in range(20000)]  # 100 loops, best of 3: 4.58 ms per loop
%timeit [a64 + a64 for _ in range(20000)]  # 100 loops, best of 3: 4.83 ms per loop
%timeit [a + a for _ in range(20000)]      # 100 loops, best of 3: 2.72 ms per loop

Python类型的开销太大，以至于双精度浮点数的内存开销几乎可以忽略不计。

import sys
import numpy as np

sys.getsizeof(np.float32(1))  # 28
sys.getsizeof(np.float64(1))  # 32
sys.getsizeof(1.)             # 24  # that's also a double on my computer!

因此实际上没有使用单精度numpy浮点数有用的用例。它们比普通的python浮点慢，占用更多内存。

然而，在numpy中，使用单精度浮点数是有意义的，当且仅当你有大型数组时，否则会遇到内存问题。但是你又有了强制规则。这些实际上是为了让您不会遇到意想不到的问题。

int32 + float32的示例实际上就是一个很好的例子！您希望结果为float32，但是存在问题，您无法将最大的int32表示为float32：

np.iinfo(np.int32(1))             # iinfo(min=-2147483648, max=2147483647, dtype=int32)
int(np.float32(2147483647))       # 2147483648
np.int32(np.float32(2147483647))  # -2147483648

是的，只需将值转换为单个精度浮点数并将其转换回整数即可更改其值。这就是NumPy使用双精度的原因，因此您不会得到意外结果！这就是为什么你需要强迫numpy 做一些可能出错的事情。

实际上，NumPy和Python试图使最有效（计算和内存方式）的方法最容易使用，而效率较低的方法也很复杂。

这意味着提示！

但请注意，当它真正重要时（仅适用于数组），更容易做到正确：

arr = np.linspace(0, 100000, 10000, dtype=np.float32)
arr += 10  # add 10 to each element
arr.dtype  # still "float32"

在这种情况下，它仍然不比在float64上运行快得多，但对于数组，你可能会关心内存开销！

难以在numpy中使用单精度浮动

1 个答案: