有一個功能：def get_acc(real_dpt, real_avg, pre_dpt, pre_avg, axis): delta_Rf = pre_dpt/pre_avg delta_Rf_avg = pre_avg delta_Ro = real_dpt / real_avg delta_Ro_avg = real_avg pre = delta_Rf - delta_Rf_avg obs = delta_Ro - delta_Ro_avg d1 = np.sum(pre*obs, axis=axis) d2 = (np.sum(pre**2, axis=axis)*np.sum(obs**2, axis=axis))**0.5 return d1/d2前：obs_DPT, obs_AVG, cwrf_DPT, cwrf_AVG ，The same ndarray shape is passed in，Shape = (29, 1452, 5)， dtype = np.float32我有result1 = get_acc(obs_DPT, obs_AVG, cwrf_DPT, cwrf_AVG, axis=1)# result1.shape = (29, 5) array沒有問題然后，我得到了result2 = get_acc(obs_DPT[i, :, 2:3], obs_AVG[i, :, 2:3], cwrf_DPT[i, :, 2:3], cwrf_AVG[i, :, 2:3], axis=0) # i is 0, 1, 2, 3,...,28# result2.shape=(1,)現在，我使 result3 = result1[i, 2:3]result3 = result1[i, 2:3] # result3.shape=(1,)然后我做出判斷if result2[0] == result3[0] : print("i={}, resul2={}, resul3={}".format(i, resul2[0], resu3[0]))對于 28 i，只有以下是相等的i=4, resul2=0.9601920247077942, resul3=0.9601920247077942i=21, resul2=0.966850221157074, resul3=0.966850221157074i=27, resul2=0.9409129023551941, resul3=0.9409129023551941其他人不平等i=0, resul2=0.9641021490097046, resul3=0.9641022682189941i=1, resul2=0.937653124332428, resul3=0.9376530647277832i=2, resul2=0.9460444450378418, resul3=0.9460448026657104i=3, resul2=0.9394290447235107, resul3=0.9394280314445496i=5, resul2=0.9721810221672058, resul3=0.9721801280975342i=6, resul2=0.9628128409385681, resul3=0.9628139734268188i=7, resul2=0.9723774790763855, resul3=0.9723766446113586i=8, resul2=0.9653074741363525, resul3=0.9653091430664062i=9, resul2=0.9601299166679382, resul3=0.9601304531097412i=10, resul2=0.9747092127799988, resul3=0.9747100472450256i=11, resul2=0.9554705023765564, resul3=0.9554708003997803i=12, resul2=0.9655697345733643, resul3=0.9655706286430359i=13, resul2=0.9721916317939758, resul3=0.9721908569335938另外，我還有一個問題數組dtype = np.float32當我制作數組時dtype = np.float64我沒有得到平等result2的result3不知道我說清楚了沒有，如何解決這個問題十分感謝
1 回答
守候你守候我
TA貢獻1802條經驗 獲得超10個贊
您的函數有幾個步驟，可能無法立即清楚是哪個步驟導致了差異。
如果您使用完整數組和其中的一個切片并排執行函數，并在每個步驟后比較結果，您會注意到存在差異的第一步是求和。
考慮一個更簡單的測試：
import numpy as np
test = np.random.rand(29, 1452, 5)
sum1 = np.sum(test[0, :, 2:3])
sum2 = np.sum(test, axis=1)[0, 2:3]
print(np.max(abs(sum1 - sum2)))
這個例子很可能已經打印出一個非零的數字。
顯然，問題的核心在于求和的順序，該順序根據輸入的形狀而不同。這會導致浮點舍入誤差的累積。
如需進一步閱讀，請考慮 David Goldberg 的“每個計算機科學家應該了解的浮點運算知識”。
更新：在下面的注釋中，該示例可以進一步簡化。然而，重要的是應用的維度np.sum不是最后一個。
import numpy as np
test = np.random.rand(1452, 5)
sum1 = np.sum(test[:, 2])
sum2 = np.sum(test, axis=0)[2]
print(np.max(abs(sum1 - sum2)))
數字 1452 也沒有什么神奇之處。人們經常可以觀察到尺寸小得多的數組的非零差異。
添加回答
舉報
0/150
提交
取消