Numpy dot乘积与手动矩阵乘法结果存差异，求原因

问题重现 #

尝试对两个复数矩阵做乘法，分别用numpy.dot和手动计算实现，结果出现微小差异：

numpy实现代码 #

import numpy as np

a = [[0.8730616+0j, 0.8133501+0.3224322j], [0.8133501-0.3224322j, 0.87694746+0j]]
g = [[0.70813084+0j, 0.6563272+0.26035604j],[-0.6563272+0.26035604j, 0.70813084+0j]]

a_temp1 = np.dot(a, g)

手动计算代码 #

import numpy as np

a = [[0.8730616+0j, 0.8133501+0.3224322j], [0.8133501-0.3224322j, 0.87694746+0j]]
g = [[0.70813084+0j, 0.6563272+0.26035604j],[-0.6563272+0.26035604j, 0.70813084+0j]]

a_temp2 = np.zeros((2, 2))
a_temp2[0,0] = a[0,0]*g[0,0] + a[0,1]*g[1,0]
a_temp2[0,1] = a[0,0]*g[0,1] + a[0,1]*g[1,1]
a_temp2[1,0] = a[1,0]*g[0,0] + a[1,1]*g[1,0]
a_temp2[1,1] = a[1,0]*g[0,1] + a[1,1]*g[1,1]

结果差异示例 #

a_temp1[0,0] = 0.0004709065+0.00013959408j
a_temp2[0,0] = 0.0004708767+0.00013959408j

差异原因 #

• 浮点数精度的固有局限：计算机用二进制浮点数存储实数，大部分十进制小数无法被精确表示，运算过程中会产生微小的舍入误差。复数的实部和虚部分别遵循这一规则，累加、乘法步骤的误差会逐步累积。
• 运算实现的细节差异：numpy.dot依赖底层优化的线性代数库（如BLAS/LAPACK），这些库会采用更高效的运算顺序、寄存器优化或并行计算策略，与手动计算的逐元素累加顺序不同，导致最终舍入结果出现细微差别。
• 数据处理逻辑的细微区别：手动计算时使用Python原生复数类型，而numpy.dot会先将列表转换为numpy复数数组（默认np.complex128），两种环境下中间结果的存储、运算逻辑细节存在差异，进一步放大了微小的精度误差。

内容的提问来源于stack exchange，提问作者Sumeer