为何np.sum(a & b)与np.dot(a,b)在长向量场景下结果不一致？

你观察到的现象完全不是bug，而是整数类型溢出导致的——问题出在你使用的np.uint8数据类型上，以及np.dot和np.sum处理整数累加的方式差异。

为什么会不相等？ #

• 对于np.uint8类型的数组，每个元素的取值范围是0到255。当计算np.dot(a, b)时，本质是对a * b的结果做累加，但这个累加过程是严格沿用uint8类型进行的：一旦累加的数值超过255，就会触发循环溢出（比如256会被截断为0，257变成1，以此类推）。
• 而np.sum(a & b)的处理逻辑不同：虽然a & b的结果还是uint8，但np.sum默认会自动将输入转换为更大的整数类型（比如系统默认的int64）来执行累加，所以能正确统计所有1的数量，不会出现溢出。

简单验证例子 #

你可以用一个极端场景快速复现这个问题：

import numpy as np

# 构造两个全1的uint8数组，长度256
a = np.ones(256, dtype=np.uint8)
b = np.ones(256, dtype=np.uint8)

print(np.dot(a, b))          # 输出0，因为256 % 256 = 0，溢出了
print(np.sum(a & b))         # 输出256，正确统计了所有1的数量

解决方案 #

有几种方式可以避免这个问题：

• 转换数据类型后计算点积：在调用np.dot前，把数组转换成更大的整数类型，比如np.int64：

  assert np.sum(a & b) == np.dot(a.astype(np.int64), b.astype(np.int64))
  

• 直接用np.sum替代dot：因为对于0/1数组，np.dot(a, b)等价于np.sum(a * b)，而np.sum会自动处理类型提升：

  assert np.sum(a & b) == np.sum(a * b)
  

• 创建数组时指定更大的类型：生成随机数组时直接用dtype=np.int（或np.int64），从根源避免溢出：

  a = rng.integers(2, size=size, dtype=np.int)
  b = rng.integers(2, size=size, dtype=np.int)
  

为什么短向量时没问题？ #

当向量长度较短时，点积的结果（也就是1的数量）大概率小于255，不会触发uint8的溢出，所以np.dot和np.sum的结果会一致。但向量越长，点积结果超过255的概率越高，溢出就越容易发生，这和你观察到的“向量越长越容易不相等”的现象完全吻合。

内容的提问来源于stack exchange，提问作者Graham501617