无法将拼接后的numpy float64数组转换为float32的技术求助

我之前碰到过类似的场景，单独用hist转float32没问题，但拼接后就报错，大概率是下面这几个原因导致的，你可以一步步排查：

1. 拼接后的数组藏着NaN/无穷大值 #

当计算n_zero_rows的时候，如果n_zero.sum(1)全是0，加上eps后再做归一化，很可能会出现除以0的情况，得到Inf；或者eps设置得不合理，导致数值计算出现NaN。这些非有限值在转float32时可能触发异常（或者结果不符合预期）。

排查和修复： #

先在代码里加个检查，看看拼接后的特征有没有问题：

features = np.concatenate((hist, n_zero_rows), axis=0)
# 打印非有限值的数量
print(f"NaN数量: {np.isnan(features).sum()}")
print(f"无穷大值数量: {np.isinf(features).sum()}")

如果发现有这类值，修改n_zero_rows的计算逻辑，避免除以0：

row_sum = n_zero.sum(1)
row_sum_plus_eps = row_sum + eps
# 给全0的情况设置一个极小值，防止除以0
row_sum_plus_eps[row_sum_plus_eps == 0] = 1e-8
n_zero_rows = row_sum / np.linalg.norm(row_sum_plus_eps)

2. 拼接的两个数组维度不匹配 #

虽然np.concatenate没报错，但可能hist和n_zero_rows的维度不一致，导致拼接后的数组结构混乱，后续转类型时出问题。比如hist是二维数组（比如形状(1, 64)），而n_zero_rows是一维数组（比如形状(28,)），按axis=0拼接后会得到奇怪的形状，转类型时就会出错。

排查和修复： #

先打印两个数组的形状看看：

print(f"hist形状: {hist.shape}")
print(f"n_zero_rows形状: {n_zero_rows.shape}")

如果维度不匹配，就把它们统一成相同维度再拼接：

# 比如把一维的n_zero_rows转成二维，和hist的维度对齐
n_zero_rows = n_zero_rows.reshape(1, -1)
# 然后按axis=1拼接（如果hist是(1, D)的话）
features = np.concatenate((hist, n_zero_rows), axis=1)

3. 换个转换顺序：先转单个数组再拼接 #

有时候先把hist和n_zero_rows都转成float32，再拼接，比先拼接再转类型更稳妥，能避免中间过程的隐式类型转换问题。

修改后的代码示例： #

def someFunction(hist, imgs):
    samples = []
    eps = 1e-8  # 假设你定义了eps，这里补上
    # 先把hist转成float32
    hist_float32 = np.float32(hist)
    for img in imgs:
        n_zero = img != 0
        n_zero_cols = n_zero.sum(0) / np.linalg.norm(n_zero.sum(0) + eps)
        row_sum = n_zero.sum(1)
        row_sum_plus_eps = row_sum + eps
        row_sum_plus_eps[row_sum_plus_eps == 0] = 1e-8
        n_zero_rows = row_sum / np.linalg.norm(row_sum_plus_eps)
        # 把n_zero_rows也转成float32
        n_zero_rows_float32 = np.float32(n_zero_rows)
        # 拼接两个float32数组
        features = np.concatenate((hist_float32, n_zero_rows_float32), axis=0)
        samples.append(features)
    # 最后转成float32数组
    return np.array(samples, dtype=np.float32)

4. 极端情况：内存不足 #

如果拼接后的数组特别大，转float32时可能出现内存溢出。你可以打印数组的字节大小看看：

features = np.concatenate((hist, n_zero_rows), axis=0)
print(f"特征数组字节大小: {features.nbytes / 1024 / 1024} MB")

如果确实太大，可以考虑优化特征维度，或者分批处理。

内容的提问来源于stack exchange，提问作者Jibreel