Question

我有以下简单代码：

a = tf.constant([7, 6, 7, 4, 5, 4], dtype=tf.float32)

e = tf.constant(5.2, dtype = tf.float32)

with tf.Session() as sess:
    print(sess.run(a - e))

此减法的结果是

[ 1.8000002   0.8000002   1.8000002  -1.1999998  -0.19999981 -1.1999998 ]

代替

[ 1.8   0.8   1.8  -1.2  -0.2 -1.2 ]

那很奇怪。可能是什么问题？

Answer 1

以一种简单的方式可以证明5.2没有终结的二进制表示形式。因此，如果您知道1/3用十进制表示，那么请想象一下5.2中的相同情况。永远记住以下几点：

如果和，则十进制数将具有终止的二进制表示形式仅当以其最简单的分数形式写成的小数分母，是2的幂。

如果想到5.2，则它是52/10或26/5，而5不是2的幂。现在在float32（双精度算术）中，只有32位表示它。因此，当然，它最终代表了一个非常接近5.2但不完全相同的数字。

因此，TensorFlow在计算减法时会给您带来细微的差别。

但是，如果您将数字转换为tf.float64，尽管表示形式仍然不正确，但您会发现错误消失了。这只是Print函数的真正努力，使您的生活更简单。它没有向您显示完整视图。这是因为在64-bit算术中，真实值和内部表示的值之间的差远小于32-bit算术。因此，Print函数会看到连续的零流，它会被截断。

但是，如果使用Print('%.60f'% <YOUR RESULT>)之类的内容，您会看到

之类的内容。

with tf.Session() as sess:
    ...:     for i in range(10):
    ...:         c = sess.run(a - e)
    ...:     
2018-09-09 18:50:42.209402: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1471] Adding visible gpu devices: 0
2018-09-09 18:50:42.209464: I tensorflow/core/common_runtime/gpu/gpu_device.cc:952] Device interconnect StreamExecutor with strength 1 edge matrix:
2018-09-09 18:50:42.209475: I tensorflow/core/common_runtime/gpu/gpu_device.cc:958]      0 
2018-09-09 18:50:42.209484: I tensorflow/core/common_runtime/gpu/gpu_device.cc:971] 0:   N 
2018-09-09 18:50:42.209635: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1084] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 10397 MB memory) -> physical GPU (device: 0, name: GeForce GTX 1080 Ti, pci bus id: 0000:02:00.0, compute capability: 6.1)


for item in c:
    ...:     print('%.60f' % item)
    ...:     
1.780000000000000248689957516035065054893493652343750000000000
0.780000000000000248689957516035065054893493652343750000000000
1.780000000000000248689957516035065054893493652343750000000000
-1.219999999999999751310042483964934945106506347656250000000000
-0.219999999999999751310042483964934945106506347656250000000000
-1.219999999999999751310042483964934945106506347656250000000000

简单的减法在Tensorflow中给出错误的值

1 个答案: