python的精确和与点积
accup的Python项目详细描述
python的精确和（点）产品。
总和
如果列表中的值是浮点值，则汇总列表中的值可能会很困难 数字；可能会发生数字相消，结果可能会出错。一个 典型的例子是和
1.0e16 + 1.0 - 1.0e16
实际结果是1.0，但在双精度中，这将导致0.0。
虽然在这个例子中失败是显而易见的，但它可以得到更多
比这更狡猾。Accupy提供
p,exact,cond=accupy.generate_ill_conditioned_sum(100,1.0e20)
给定长度和目标条件数，将生成 很难总结的浮点数。
AccuPy有以下求和方法：
accupy.kahan_sum(p)：Kahan summationaccupy.fsum(p)：矢量化包装 math.fsum（其中 使用shewchuck的算法[1]（另请参见 here）。accupy.ksum(p, K=2)：k倍精度求和（来自[2]）
所有求和方法对多维numpy数组的第一维求和。
我们来比较一下。
精度比较（总和）
正如所料，天真的
sum表现非常糟糕
有病态的总和；同样地
^{
在accupy.ksum中以2倍精度计算和给出了正确的
如果条件至多在机器精度范围内，则结果；进一步
增加K有助于改善状况。
shewchuck在math.fsum中的算法总是给出正确的结果
浮点精度。
运行时比较（总和）
我们比较越来越多的固定大小的和（上面）和越来越大的和，
但有固定的数量。在这两种情况下，最不准确的方法是
最快（numpy.sum），最准确最慢（accupy.fsum）。
点产品
Accupy对点产品有以下方法：
我们来比较一下。
精度比较（点）
Accupy可以使用
x,y,exact,cond=accupy.generate_ill_conditioned_dot_product(100,1.0e20)
并对不同方法的精度进行了比较。
关于和，numpy.dot是最不精确的，其次是kdot的实例。
fdot可证明精确到最后一位
运行时比较（dot）
numpy的numpy.dot比accupy提供的所有替代方案都快。
这是因为截断错误的簿记需要更多的步骤，但是
主要是因为numpy高度优化的dot实现。
参考文献
依赖性
AcCuPy需要提供的C++ Eigen
library
debian/ubuntu作者
^{
安装
accupy是available from the Python Package Index，所以使用
pip install -U accupy
您可以安装/升级。
测试
要运行测试，只需签出此存储库并键入
MPLBACKEND=Agg pytest
许可证
accupy发布在MIT license下。
欢迎加入QQ群-->： 979659372
