将NumPy数组归一化至和为1.0在Intel CPU及Colab中失败

尝试将数组归一化至和为1的操作多次失败，示例代码在Intel CPU及Colab环境中运行时断言报错：

import numpy as np

a = 0.99
choice = 0
g = np.ones((9,)) * (1.0 - a)/8
g[choice] = a
print(np.sum(g), g)
g = g / np.sum(g) 
print(np.sum(g), g)
assert(np.sum(g) == 1.0)

问题根源 #

这是浮点数精度限制导致的问题。计算机以二进制形式存储浮点数，部分十进制小数无法被精确表示，会产生微小的近似误差。

你的代码中，理论上np.sum(g)初始值应为1，但实际计算时可能得到类似0.9999999999999999或1.0000000000000002的结果。后续除以这个和后，数组的和依然会因精度问题无法严格等于1.0，导致断言失败。

解决办法 #

1. 使用近似相等判断替代严格相等 #

用np.isclose()函数验证，它允许设置微小的误差容忍范围，符合浮点数运算的实际情况：

import numpy as np

a = 0.99
choice = 0
g = np.ones((9,)) * (1.0 - a)/8
g[choice] = a
g = g / np.sum(g) 
print(np.sum(g), g)
assert np.isclose(np.sum(g), 1.0)

2. 直接构造时强制和为1 #

调整数组构造逻辑，通过计算最后一个元素的值来确保总和严格为1：

import numpy as np

a = 0.99
choice = 0
g = np.ones((9,)) * (1.0 - a)/8
g[choice] = a
# 用1减去前8个元素的和，强制最后一个元素让总和为1
g[-1] = 1.0 - np.sum(g[:-1])
print(np.sum(g), g)
assert np.sum(g) == 1.0

3. 跳过冗余的归一化步骤 #

你的初始数组理论上和已经是1，只是浮点数精度导致微小偏差。如果不需要额外归一化，可以直接用np.isclose()验证，省去除以总和的步骤：

import numpy as np

a = 0.99
choice = 0
g = np.ones((9,)) * (1.0 - a)/8
g[choice] = a
print(np.sum(g), g)
assert np.isclose(np.sum(g), 1.0)

内容的提问来源于stack exchange，提问作者Reza Roboubi