Numpy标量上的二元运算自动上移到float64

我想在np.float32和内建的Python int和float之间执行二元运算（如加法和乘法），并获得一个np.float32作为返回类型。但是，它会自动上传到np.float64。Numpy标量上的二元运算自动上移到float64

示例代码：

>>> a = np.float32(5) 
>>> a.dtype 
dtype('float32') 
>>> b = a + 2 
>>> b.dtype 
dtype('float64')

如果我这样做与np.float128，B也成为np.float128。这很好，因为它保留了精度。然而，在我的例子中，不需要向np.float64上传转换来保持精度，但它仍然会发生。如果我将2.0（Python浮点数（64位））添加到2而不是2，那么投射会有意义。但即使在这里，我也不想要它。

所以我的问题是：如何修改将二进制运算符应用于np.float32和内置Python int/float时执行的转换？或者，在所有计算中使单精度成为标准而不是双精度，也算作解决方案，因为我从不需要双精度。其他人已经提出了这个要求，似乎没有找到解决方案。

我知道numpy数组和dtypes。在这里我得到了想要的行为，因为数组总是保留它的dtype。然而，当我对一个数组的单个元素进行操作时，我得到了不需要的行为。我对解决方案有一个模糊的想法，涉及到np.ndarray（或np.float32）的子类化以及__array_priority__的值的更改。到目前为止，我还没有得到它的工作。

为什么我在意？我正在尝试使用Numba编写一个n体代码。这就是为什么我不能简单地对整个阵列进行操作。将所有np.float64更改为np.float32使得加速大约为2倍，这很重要。 np.float64-casting行为可以完全破坏这个速度，因为我的np.float32数组上的所有操作都是以64位精度完成的，然后降频至32位精度。

来源

2014-09-18 jmd_dk

我不确定NumPy的行为，或者你是如何尝试使用Numba，但明确Numba类型可能会有所帮助。例如，如果你做这样的事情：

@jit 
def foo(a): 
    return a[0] + 2; 

a = np.array([3.3], dtype='f4') 
foo(a)

在[0]提升为增加操作前float64（FLOAT32的值，如果你不介意潜入LLVM IR，你可以看到这通过使用numba命令运行代码并使用--dump-llvm或--dump-optimized标志：numba --dump-optimized numba_test.py）来执行自己的代码。但是，通过指定函数签名，包括返回类型FLOAT32：

@jit('f4(f4[:]')) 
def foo(a): 
    return a[0] + 2;

中的值A [0]不晋升为float64，虽然结果被转换为float64所以它可以被转换为一个当Python函数返回到Python土地时，Python浮动对象。

如果你可以事先分配一个数组来保存结果，你可以做这样的事情：

@jit 
def foo(): 
    a = np.arange(1000000, dtype='f4') 
    result = np.zeros(1000000, dtype='f4') 
    for i in range(a.size): 
     result[0] = a[0] + 2

即使你正在做自己的循环，编译代码的性能应该是相当一个NumPy ufunc，并且不会发生转换为float64（再次，这可以通过查看Numba生成的llvm IR来验证）。

来源

2014-09-19 21:16:29 jayvius

Numpy标量上的二元运算自动上移到float64

回答

相关问题