设置所有标量和数组的统一Numpy数据类型（如何避免精度下降）

问题： 使用numpy设置所有标量和数组变量的数据类型的最简单方法是什么

问题： 随着我的算法的规模和复杂性的增长，我发现由于舍入和截断错误，跟踪收敛问题非常困难。我需要一种方法来自信地设置所有操作的精度，以消除这些错误作为一个微不足道的原因

细节： 正如研究部分所指出的，我主要很难弄清楚如何将标量的精度类型设置为可变的（见下文）。即使我的数组有变量dtype，因为标量可能没有显式地设置为相同或更高精度的dtype，也会发生向下转换，我在算法中不知不觉地失去了精度

研究：

这个问题给了我很好的建议；始终将数组数据类型设置为一个变量，并在代码中将该变量定义为“numpy.float64”或任何您想要的变量。但是，如何处理标量呢

这一条建议将我的标量映射到所需的输入。但是，有没有更干净的方法

我一直在做的是（感谢Ophion在下面的评论）：

---

由于以下方法效果良好：

>>> a=np.float128(5)
>>> a.dtype
dtype('float128')
>>> b=a-9
>>> b.dtype
dtype('float128')

可能最简单的方法是编写一个速记定义，将其转换为：

def quad(num):
    return np.float128(num)

或

请仔细检查：

>>> c=quad(5)-quad(4)
>>> c.dtype
dtype('float128')
>>> c
1.0

您正在创建一个：

---

您可以通过

np.array（some_val，dtype=prec）

缩短选项2的标量的强制转换。甚至

np.float128（some_val）

也可以工作！为了进一步减少这一点：

dfloat=np.float128

，现在简单地

dfloat（some_val）

将导致

some_val

被转换为

float128

@Ophion，我无法想象一个更简单的答案。请随便把它作为答案贴出来，我会接受的。

quad=np.float128

>>> c=quad(5)-quad(4)
>>> c.dtype
dtype('float128')
>>> c
1.0

>>> c.flags
  C_CONTIGUOUS : True
  F_CONTIGUOUS : True
  OWNDATA : True
  WRITEABLE : False
  ALIGNED : True
  UPDATEIFCOPY : False
>>> np.isscalar(c)
True
>>> c.shape
()