比较几个不同机器上的浮点计算结果，它们始终产生不同的结果。这是一个重现该行为的精简示例：
import numpy as np
from numpy.random import randn as rand
M = 1024
N = 2048
np.random.seed(0)
a = rand(M,N).astype(dtype=np.float32)
w = rand(N,M).astype(dtype=np.float32)
b = np.dot(a, w)
for i in range(10):
b = b + np.dot(b, a)[:, :1024]
np.divide(b, 100., out=b)
print b[0,:3]
不同的机器产生不同的结果，例如
但是我也可以得到相同的结果，例如通过在同一年份的两台MacBook上运行。使用具有相同版本的Python和numpy，但不一定要链接到相同的BLAS库的机器（例如Mac上的加速框架，Ubuntu上的OpenBLAS）会发生这种情况。但是，难道不同的数字库不都应符合相同的IEEE浮点标准并给出完全相同的结果吗？
浮点计算并不总是可重复的。
你可以，如果你使用相同的可执行映像，输入，与相同的编译器和相同的编译器设置（开关）建库获得可重复的结果在不同的机器浮动计算。
但是，由于多种原因，如果您使用动态链接库，则可能会得到不同的结果。首先，正如Veedrac在评论中指出的那样，它在不同体系结构上的例程可能使用不同的算法。其次，编译器可能会根据开关（不同的优化，控制设置）产生不同的代码。甚至a+b+c会在机器和编译器之间产生不确定的结果，因为我们不能确定评估顺序，中间计算的精度。
在这里阅读为什么不能保证在不同的IEEE 754-1985实现上获得相同的结果。新标准（IEEE 754-2008）试图走得更远，但仍不能保证不同实现之间的结果相同，因为例如，它允许实现者选择何时检测到微小（下溢异常）
有关浮点确定性的更多信息，请参见本文。
本文收集自互联网，转载请注明来源。
如有侵权，请联系 [email protected] 删除。
我来说两句