NumPy半精度数组标量与数值相加时如何保留原有数据类型

问题复现 #

使用NumPy单精度标量和Python原生整数做加法时，运算结果会被自动提升为float64类型，不符合精度保留预期：

import numpy as np
x = np.float32(3)
y = x + 1
print(y.dtype)  # 输出float64

已测试的两种临时方案均存在改造成本高的问题：

• 将标量输入转为一维数组：定义x = np.float32([3])后做加法，结果可保留float32类型
• 将参与运算的常数转为低精度类型：执行np.float32(3) + np.float32(1)时，结果可保留float32类型

以上方案都需要在每个业务函数中新增类型判断分支，维护大量函数时改动成本极高，不适合大规模使用。

低改动落地方案 #

1. 全局配置NumPy类型提升规则（推荐，改动量最小） #

NumPy提供了全局类型提升策略配置，仅需要在项目入口代码处添加1行配置，所有后续运算都会自动保留输入浮点精度，不需要修改任何业务函数逻辑：

• NumPy 2.0及以上版本：

np.set_promotion_state("weak")

• NumPy 1.x 兼容版本：

np._set_promotion_state("weak")

配置完成后再执行np.float32(3) + 1，输出结果类型自动为float32，对数组、标量输入均生效。

2. 入口统一转换输入类型（兼容所有NumPy版本） #

如果不方便调整NumPy全局配置，可以在所有对外暴露函数的入口处，加1行无开销的类型转换代码，不需要写任何if-else判断：

# 函数入口处统一处理输入，标量/数组都兼容
x = np.asarray(x)
# 后续原有运算逻辑完全不需要修改
y = x + 1

np.asarray会自动识别输入类型：如果输入已经是对应精度的NumPy标量或数组，不会产生任何拷贝，性能损耗可以忽略；转换后不管是0维数组（原标量）还是多维数组，和原生常数运算都会保留原有dtype精度。

3. 公共常数转换工具（适合需要精细控制精度的场景） #

如果需要在部分场景保留特殊类型提升逻辑，可以在公共工具模块定义一个极简的常数转换函数，替换运算中用到的原生常数即可，不需要逐函数加判断：

def to_same_dtype(const, ref_val):
    """将常数const转换为和ref_val同精度的NumPy类型"""
    return np.asarray(const, dtype=getattr(ref_val, 'dtype', type(ref_val)))

# 使用示例
x = np.float32(3)
y = x + to_same_dtype(1, x)  # 结果为float32

内容的提问来源于stack exchange，提问作者Sam-gege