Python tensorflow的reduce_mean（）给出一个近似值（不是精确值）

我正在制作一个loss函数，其中我使用了

tf.reduce\u mean（）

。但它返回一个近似值

我的代码如下：

import tensorflow as tf

real = [[1.0], [0.3]]
pred = [[0.8], [0.2]]

loss_object2 = tf.keras.losses.mean_squared_error
def loss_function(real, pred):
    loss_ = loss_object2(real, pred)
    print(loss_)
    return tf.reduce_mean(loss_)

loss_function(real, pred)

这将提供以下输出：

tf.Tensor([0.04 0.01], shape=(2,), dtype=float32)
<tf.Tensor: shape=(), dtype=float32, numpy=0.024999999>

tf.Tensor（[0.04 0.01]，shape=（2，），dtype=float32）

---

这应该只是返回

0.025

，为什么返回

0.02499999

？

IEEE 754-2008浮点运算标准第3.2条规定“浮点运算是实数运算的系统近似…”

浮点运算被设计成近似实数运算。在对浮点格式和算术规则缺乏透彻理解的情况下，不应该期望得到准确的结果

在用于float32的IEEE 754 binary32格式中，最接近.04的可表示值为0.0399999105930328369140625（5368709•2−27). 最接近.01的可表示值为0.00999999977648258209228515625（5368709•2−29). 当使用IEEE 754规则将这些值相加并除以2时，结果为0.024999985098808080806515375（3355443•2−27）