Python float 精度浮点数
Python float precision float
我需要实施一个动态规划算法来及时解决旅行商问题，以击败蛮力搜索来计算点之间的距离。为此，我需要按大小索引子问题，每个子问题的值将是一个浮点数（游览的长度）。但是，如果我使用 python 浮点数（实际上具有双精度），将数组保存在内存中将占用大约 6GB RAM，因此要尝试将该数量减半（我只有 4GB RAM），我将需要使用单精度浮点数.但是我不知道如何在 Python 中获得单精度浮点数（我正在使用 Python 3）。有人能告诉我在哪里可以找到它们吗（我在互联网上找不到太多）。谢谢
编辑：我注意到 numpy 也有一个 float16 类型，可以节省更多内存。点之间的距离大约为 10000，并且有 25 个不同的点，我的答案需要是最接近的整数。 float16 会提供足够的精度还是我需要使用 float32？
您可以尝试 ctypes 标准库中的 c_float 类型。或者，如果您能够安装其他包，您可以尝试 numpy 包。它包括 float32 类型。
作为第一步，您应该使用 NumPy 数组而不是 Python 列表来存储数据。
正如您正确观察到的那样，Python 浮点数在内部使用双精度，并且 Python 浮点数下的双精度 value 可以表示为8 个字节。但是在 64 位机器上，使用 Python 的 CPython 参考实现，一个 Python float object 需要一个完整的24 字节内存：8 字节用于底层双精度值，8 字节用于指向对象类型的指针，8 字节用于引用计数（用于垃圾回收）。在 Python 中没有 Java 的 "primitive" 类型或 .NET 的 "value" 类型的等价物——一切都被装箱了。这使语言语义更简单，但意味着对象往往更胖。
现在，如果我们要创建 Python list 个 float 个对象，则会增加列表本身的开销：一个 8 字节对象每个 Python float 的指针（这里仍然假设是 64 位机器）。所以一般来说，n Python float 对象的列表将花费你超过 32n 字节的内存。在 32 位机器上，情况稍微好一些，但也好不了多少：我们的 float 个对象将每个占用 16 个字节，而对于列表指针，我们将使用 20n 个字节的内存对于长度为 n 的 float 的列表。 （警告：如果您的列表引用来自多个列表索引的 same Python float 对象，则此分析不太有效，但这不是特别常见的情况。）
相比之下，n 双精度浮点数的 NumPy 数组（使用 NumPy 的 float64 dtype）将其数据以 "packed" 格式存储在 [=23] 的单个数据块中=] 字节，因此考虑到数组元数据，总内存需求将略高于 8n 字节。
结论：只需从 Python 列表切换到 NumPy 数组，您的内存需求就会减少大约 4 倍。如果这还不够，那么考虑减少精度从双精度到单精度（NumPy 的 float32 dtype），如果这符合您的精度需求。 NumPy 的 float16 数据类型每个浮点数只占用 2 个字节，但只记录大约 3 个小数位的精度；我怀疑它对于您描述的应用程序来说几乎毫无用处。
我需要实施一个动态规划算法来及时解决旅行商问题，以击败蛮力搜索来计算点之间的距离。为此，我需要按大小索引子问题，每个子问题的值将是一个浮点数（游览的长度）。但是，如果我使用 python 浮点数（实际上具有双精度），将数组保存在内存中将占用大约 6GB RAM，因此要尝试将该数量减半（我只有 4GB RAM），我将需要使用单精度浮点数.但是我不知道如何在 Python 中获得单精度浮点数（我正在使用 Python 3）。有人能告诉我在哪里可以找到它们吗（我在互联网上找不到太多）。谢谢
编辑：我注意到 numpy 也有一个 float16 类型，可以节省更多内存。点之间的距离大约为 10000，并且有 25 个不同的点，我的答案需要是最接近的整数。 float16 会提供足够的精度还是我需要使用 float32？
您可以尝试 ctypes 标准库中的 c_float 类型。或者，如果您能够安装其他包，您可以尝试 numpy 包。它包括 float32 类型。
作为第一步，您应该使用 NumPy 数组而不是 Python 列表来存储数据。
正如您正确观察到的那样，Python 浮点数在内部使用双精度，并且 Python 浮点数下的双精度 value 可以表示为8 个字节。但是在 64 位机器上，使用 Python 的 CPython 参考实现，一个 Python float object 需要一个完整的24 字节内存：8 字节用于底层双精度值，8 字节用于指向对象类型的指针，8 字节用于引用计数（用于垃圾回收）。在 Python 中没有 Java 的 "primitive" 类型或 .NET 的 "value" 类型的等价物——一切都被装箱了。这使语言语义更简单，但意味着对象往往更胖。
现在，如果我们要创建 Python list 个 float 个对象，则会增加列表本身的开销：一个 8 字节对象每个 Python float 的指针（这里仍然假设是 64 位机器）。所以一般来说，n Python float 对象的列表将花费你超过 32n 字节的内存。在 32 位机器上，情况稍微好一些，但也好不了多少：我们的 float 个对象将每个占用 16 个字节，而对于列表指针，我们将使用 20n 个字节的内存对于长度为 n 的 float 的列表。 （警告：如果您的列表引用来自多个列表索引的 same Python float 对象，则此分析不太有效，但这不是特别常见的情况。）
相比之下，n 双精度浮点数的 NumPy 数组（使用 NumPy 的 float64 dtype）将其数据以 "packed" 格式存储在 [=23] 的单个数据块中=] 字节，因此考虑到数组元数据，总内存需求将略高于 8n 字节。
结论：只需从 Python 列表切换到 NumPy 数组，您的内存需求就会减少大约 4 倍。如果这还不够，那么考虑减少精度从双精度到单精度（NumPy 的 float32 dtype），如果这符合您的精度需求。 NumPy 的 float16 数据类型每个浮点数只占用 2 个字节，但只记录大约 3 个小数位的精度；我怀疑它对于您描述的应用程序来说几乎毫无用处。