以下错误是什么意思：
Warning: overflow encountered in exp
在 scipy/numpy 中使用 Python 一般是什么意思？我正在计算对数形式的比率，即 log(a) + log(b)，然后使用 exp 取结果的指数，并使用 logsumexp 的总和，如下所示：
c = log(a) + log(b)
c = c - logsumexp(c)
数组 b 中的一些值被有意设置为 0。它们的日志将为 -Inf。
此警告的原因可能是什么？谢谢。
【问题讨论】：
在您的情况下，这意味着 b 在您的数组中的某个位置非常小，并且您得到的数字（a/b 或 exp(log(a) - log(b))）对于任何情况都太大了dtype (float32, float64, etc) 你用来存储输出的数组是。
Numpy可以配置成
请参阅numpy.seterr 以控制它如何处理浮点数组中的下溢/溢出等问题。
【讨论】：
当您需要处理指数时，您很快就会进入欠流/溢流，因为函数增长得如此之快。一个典型的例子是统计，其中各种幅度的指数求和是很常见的。由于数字非常大/非常小，一般将日志保持在“合理”范围内，即所谓的日志域：
exp(-a) + exp(-b) -> log(exp(-a) + exp(-b))
问题仍然存在，因为 exp(-a) 仍会下溢。例如，exp(-1000) 已经低于您可以表示为双精度数的最小数字。比如：
log(exp(-1000) + exp(-1000))
给出 -inf (log (0 + 0))，即使你可以期望手动得到 -1000 (-1000 + log(2))。函数 logsumexp 做得更好，通过提取数字集的最大值并将其从日志中取出：
log(exp(a) + exp(b)) = m + log(exp(a-m) + exp(b-m))
它并不能完全避免下溢（例如，如果 a 和 b 有很大不同），但它避免了最终结果中的大多数精度问题
【讨论】：
我想你可以用这个方法来解决这个问题：
标准化
我克服了这种方法的问题。在使用这种方法之前，我的分类准确率为：86%。使用此方法后，我的分类准确率为：96%！！！
太棒了！
第一个：
Min-Max scaling
这些是实现normalization的常用方法。
我使用第一种方法。我改变它。最大数除以 10。
所以结果的最大个数是10。那么exp(-10)就不是overflow!
希望我的回答对你有帮助！(^_^)
【讨论】：
exp(log(a) - log(b)) 不是和exp(log(a/b)) 一样吗，a/b 是一样的吗？
>>> from math import exp, log
>>> exp(log(100) - log(10))
10.000000000000002
>>> exp(log(1000) - log(10))
99.999999999999957
2010-12-07：如果是这样“数组 b 中的某些值被故意设置为 0”，那么您实际上是在除以 0。这听起来像是个问题。
【讨论】：
在我的情况下，这是由于数据中的值很大。我必须进行归一化（除以 255，因为我的数据与图像相关）才能按比例缩小值。
【讨论】：