python numpy.single 在使用 out 参数时给出不同的结果答案

【问题标题】：python numpy.single gives different result when using out parameterpython numpy.single 在使用 out 参数时给出不同的结果
【发布时间】：2021-01-25 09:42:45
【问题描述】：

我正在尝试从双精度数组转换为单精度。为了优化空间，我尝试使用 out 参数，以便 numpy 不会分配额外的空间。然而，两个版本的调用结果似乎不同

import numpy as np

doubleArr = np.zeros((10000,10000), dtype=np.double)
doubleArr[0,0] = 1e-30
singleArr = np.single(doubleArr)
print ("%.40f"%singleArr[0,0]) 
singleArr = np.zeros((10000,10000), dtype=np.single)
np.single(doubleArr, out=singleArr)
print ("%.40f"%singleArr[0,0])

结果是

0.0000000000000000000000000000010000000032
0.0000000000000000000000000000000000000000

“out”参数的用法不正确吗？

【问题讨论】：

在我的numpy 版本中，np.single (np.float32) 没有out 参数。
@hpaulj 是正确的——np.float32 没有使用out 参数。在旧版本的 numpy 中，np.float32（又名np.single）的未知关键字参数被忽略。比如1.8.0版本，我可以写np.float32(123, foobar="plate of shrimp")，不会产生错误。我不知道这是什么时候修复的。您使用的是哪个版本的 numpy？您可以通过import numpy as np; print(np.__version__) 查询
我正在使用 '1.17.4' 。所以本质上，outparameter 被忽略了？
有没有办法在不创建额外分配的情况下实现演员表？
是的，out 被忽略。如果您已经创建了数组，您可以简单地分配值：singleArr[...] = doubleArr。

标签： python numpy casting floating-point precision

【解决方案1】：

这个谜团解开了。调用 c 例程时的 Numpy.ctypes 会为 c-python 互操作创建一堆内存。此内存不会立即被收集，这会导致总内存使用量激增。解决方案是在内存压力下使用 gc.collect。

【讨论】：