问题是，当您在一个操作中使用不同的类型时，NumPy会提升这些类型。float32仅当另一个数值操作数的数据类型为：float32或更少

int16或更少

uint16或更少

如果另一个操作数有另一个数据类型，则结果将是float64(如果另一个操作数很复杂，则为complex)。上面列出的数据类型不是最常见的类型，所以几乎所有的操作(特别是当另一个是Python整数/浮点)使用标准运算符+，-，/，*。。。将您的float32提升为float64。在

不幸的是，要避免这种情况你无能为力。在很多情况下，纽比这样做是可以的，因为：大多数体系结构可以像单精度浮点一样处理双精度。Python中的算术操作在Python类型上运行得很快，但在其他类型上运行较慢。在import numpy as np

a32 = np.float32(1)

a64 = np.float64(1)

a = 1.

%timeit [a32 + a32 for _ in range(20000)] # 100 loops, best of 3: 4.58 ms per loop

%timeit [a64 + a64 for _ in range(20000)] # 100 loops, best of 3: 4.83 ms per loop

%timeit [a + a for _ in range(20000)] # 100 loops, best of 3: 2.72 ms per loopPython类型的开销非常大，以至于标量双精度浮点的内存开销几乎可以忽略不计。在

^{pr2}$

但是，如果你有巨大的数组，而你在其他方面遇到内存问题，或者你与其他库交互(机器学习、GPU等等)，那么使用单精度浮点是有意义的。在

但正如上面提到的，你几乎总是要反对强制规则，这会防止你遇到意想不到的问题。在

带有int32 + float32的例子实际上是一个很好的例子！您希望结果是float32-但是有一个问题：不能将every int32表示为float32：np.iinfo(np.int32(1)) # iinfo(min=-2147483648, max=2147483647, dtype=int32)

int(np.float32(2147483647)) # 2147483648

np.int32(np.float32(2147483647)) # -2147483648

是的，只要把这个值转换成一个单精度浮点，再转换回一个整数，它就改变了它的值。这就是NumPy使用双精度的原因，这样您就不会得到一个意外的结果！这就是为什么您需要强制NumPy做一些可能出错的事情(从一般用户的角度来看)。在

因为没有办法(据我所知)限制纽比的类型推广，你必须自己发明。在

例如，您可以创建一个类来包装NumPy数组，并使用特殊方法实现运算符的dtype-d函数：import numpy as np

class Arr32:

def __init__(self, arr):

self.arr = arr

def __add__(self, other):

other_arr = other

if isinstance(other, Arr32):

other_arr = other.arr

return self.__class__(np.add(self.arr, other_arr, dtype=np.float32))

def __sub__(self, other):

other_arr = other

if isinstance(other, Arr32):

other_arr = other.arr

return self.__class__(np.subtract(self.arr, other_arr, dtype=np.float32))

def __mul__(self, other):

other_arr = other

if isinstance(other, Arr32):

other_arr = other.arr

return self.__class__(np.multiply(self.arr, other_arr, dtype=np.float32))

def __truediv__(self, other):

other_arr = other

if isinstance(other, Arr32):

other_arr = other.arr

return self.__class__(np.divide(self.arr, other_arr, dtype=np.float32))

但这只实现了NumPy功能的一小部分，并将很快导致许多可能被遗忘的代码和边缘情况。现在可能有更好的方法使用^{}或{a2}，但我自己没有使用过这些方法，因此我无法对工作量或适用性发表评论。在

因此，我的首选解决方案是为需要的函数创建助手函数：import numpy as np

def arr32(a):

return np.float32(a)

def add32(a1, a2):

return np.add(a1, a2, dtype=np.float32)

def sub32(a1, a2):

return np.subtract(a1, a2, dtype=np.float32)

def mul32(a1, a2):

return np.multiply(a1, a2, dtype=np.float32)

def div32(a1, a2):

return np.divide(a1, a2, dtype=np.float32)

或者只使用就地操作，因为这些操作不会提升类型：>>> import numpy as np

>>> arr = np.float32([1,2,3])

>>> arr += 2

>>> arr *= 3

>>> arr

array([ 9., 12., 15.], dtype=float32)