浮点数陷阱

精度和准确性

对于某些操作，Numba 可能会使用与 Python 或 Numpy 不同的算法。结果可能不会逐位兼容。差异通常应该很小，并在合理预期之内。然而，小的累积差异最终可能会产生大的差异，尤其是在涉及发散函数的情况下。

数学库实现

Numba 支持多种平台和操作系统，每个平台和操作系统都有自己的数学库实现（在此称为 libm）。libm 中包含的大多数数学函数都有 IEEE 754 标准规定的特定要求（例如 sin()、exp() 等），但每个实现都可能存在错误。因此，在某些平台上，Numba 必须特别小心，以解决已知的 libm 问题。

另一个典型问题是，当操作系统的 libm 函数集不完整，需要补充额外函数时。这些函数是参照 IEEE 754 和 C99 标准提供的，并且在 Numba 中的实现方式通常与等效的 CPython 函数类似。

线性代数

即使输入为 float32，Numpy 也会强制某些线性代数操作以双精度模式运行。Numba 将始终遵守输入的精度，并在所有输入为 float32 或 complex64 时调用单精度线性代数例程。

Numba 中 numpy.linalg 例程的实现仅支持 LAPACK 函数中用于提供底层核心功能的浮点类型。因此，仅支持 float32、float64、complex64 和 complex128 类型。如果用户有例如 int32 类型，则在使用这些例程之前必须将其转换为适当的浮点类型。做出此决定的原因主要是为了避免重复 Numpy 中所做的类型转换选择，并鼓励用户为其正在进行的操作选择最佳的浮点类型。

混合类型操作

Numpy 在涉及整数和浮点数混合操作数（一个典型例子是幂运算符 **）的计算中，通常会返回 float64。相比之下，Numba 会选择浮点操作数中最高的精度，因此例如 float32 ** int32 将返回 float32，无论输入值如何。这使得性能特性更容易预测，但如果您需要额外的精度，则应明确将输入转换为 float64。

警告和错误

当调用使用 vectorize() 创建的 ufunc 时，Numpy 将通过检查 FPU 错误字来确定是否发生错误。然后它可能会打印警告或引发异常（例如 RuntimeWarning: divide by zero encountered），具体取决于当前的错误处理设置。

然而，根据 LLVM 优化 ufunc 代码的方式，可能会出现一些虚假警告或错误。如果您遇到此问题，我们建议您调用 numpy.seterr() 来更改 Numpy 的错误处理设置，或者使用 numpy.errstate 上下文管理器来临时切换它们。

with np.errstate(all='ignore'):
    x = my_ufunc(y)