numpy浮点数组转torch.tensor时不合理不一致舍入问题问询

你观察到的“转换时舍入不一致”是显示规则差异+浮点精度固有特性共同导致的，并非numpy转torch的过程中发生了额外舍入：

• float64双精度浮点数无法精确表示所有十进制小数，你示例中的0.99995、5.99995、555555.99995在内存中存储的实际值本身就和十进制字面量存在微小偏差，部分略大于标称值、部分略小于标称值
• numpy和pytorch的默认打印输出精度规则不同，才会出现你看到的显示层面的舍入差异，实际转换前后的内存值完全一致

你可以通过修改打印配置输出更高精度的数值，确认转换过程没有修改原始值：

import numpy as np
import torch

# 统一设置20位小数打印精度
np.set_printoptions(precision=20)
torch.set_printoptions(precision=20)

np_array1 = np.array([0.99995])
print(np_array1)
print(torch.tensor(np_array1))
# 此时可以看到两者输出的实际值完全相同

根据你的使用场景可以选择对应方案：

• 如果仅需要消除显示层面的不一致：统一numpy和pytorch的打印精度即可

  # 示例：统一保留4位小数显示
  np.set_printoptions(precision=4)
  torch.set_printoptions(precision=4)
  

• 如果需要完全避免浮点精度导致的数值偏差：可以将原始值按需要的精度放大为整数后再做转换，运算完成后再缩放回原量级

  # 示例：需要保留5位小数，先乘1e5转int64
  precision = 5
  scale = 10 ** precision
  np_array = np.array([0.99995 * scale], dtype=np.int64)
  torch_tensor = torch.tensor(np_array)
  # 后续运算完成后再除以scale恢复原值
  

注意：PyTorch本身不支持十进制高精度类型，如果业务对精度要求极高，无法接受浮点误差，只能基于整数类型做缩放运算。

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