相关的IEEE标准定义了一个数字常量NaN(不是数字),并规定NaN应该比较为不等于它自己.这是为什么？
我熟悉的所有语言都实现了这个规则.但它经常会导致严重的问题,例如当NaN存储在容器中时,NaN存在于正在排序的数据中等时的意外行为等.更不用说,绝大多数程序员都希望任何对象都等于自身(在他们了解NaN之前,令人惊讶的是他们增加了错误和混乱.
IEEE标准经过深思熟虑,因此我确信NaN的比较与其本身相同是很糟糕的.我只是想不通它是什么.
我的numpy数组用于np.nan指定缺失值.当我遍历数据集时,我需要检测这些缺失值并以特殊方式处理它们.
天真的我用过numpy.isnan(val),除非val不是支持的类型子集,否则效果很好numpy.isnan().例如,丢失的数据可能出现在字符串字段中,在这种情况下,我得到:
>>> np.isnan('some_string')
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
TypeError: Not implemented for this type
除了编写一个捕获异常并返回的昂贵包装器之外False,有没有办法优雅高效地处理这个问题？
我不明白这一行：
lprobs[lprobs != lprobs] = torch.tensor(-math.inf).to(lprobs)
没有评论，那么它是一些著名的 Python（或 PyTorch？）习语吗？有人可以解释它的含义，或者展示一种使意图更清晰的不同方式吗？
lprobs是一个pytorchTensor，它可以包含任何大小的浮点类型（我怀疑这段代码是否旨在支持 int 或复杂类型）。据我所知，Tensor 类不会覆盖该__ne__函数。