问在Python中的scipy/numpy中的exp中溢出？

EN

在您的示例中，这意味着b在数组中的某处非常小，并且您得到的数字(a/b或exp(log(a) - log(b)))对于用于存储输出的数组的任何数据类型(float32、float64等)来说都太大了。

Numpy可以配置为

1. 忽略这些类型的错误，
2. 打印错误，但不引发停止执行的警告(默认值)
3. 记录错误，
4. 引发错误
5. 调用用户定义的函数

参见numpy.seterr以控制它如何处理浮点数组中的欠/溢出等。

当你需要处理指数时，你很快就会进入下/上流，因为函数增长得太快了。一个典型的例子是统计，其中不同幅度的指数求和是很常见的。由于数量非常大/很小，所以通常会将日志保持在一个“合理”的范围内，即所谓的对数域：

exp(-a) + exp(-b) -> log(exp(-a) + exp(-b))

问题仍然存在，因为exp(-a)仍然会下溢。例如，exp(-1000)已经低于您可以表示为双精度数的最小数字。举个例子：

log(exp(-1000) + exp(-1000))

给出了对数( -inf (0 + 0))，即使您可以手动获得类似于-1000的值(-1000 + log(2))。函数logsumexp做得更好，它提取数字集的最大值，并将其从日志中取出：

log(exp(a) + exp(b)) = m + log(exp(a-m) + exp(b-m))

它不能完全避免下溢(例如，如果a和b非常不同)，但它避免了最终结果中的大多数精度问题。

我认为你可以使用这个方法来解决这个问题：

规格化

我用这种方法克服了这个问题。在使用此方法之前，我的分类准确率为:86%。使用此方法后，我的分类准确率为:96%！太棒了！

首先：

Min-Max scaling

​

​

第二：

Z-score standardization

​

​

这些是实现normalization的常用方法。

我使用第一种方法。然后我改变它。最大数除以10，所以结果的最大数是10，那么exp(-10)就不是overflow！

希望我的回答能对你有所帮助!(^_^)