关于nan的大小判定规则

原创于 2025-07-21 17:46:00 发布 · 183 阅读

CC 4.0 BY-SA版权

技术背景

在Numpy或PyTorch框架编程的过程中，如果有计算异常，可能会存在NAN这样的一个东西，也就是not a number。这不是一个常规的数字，但是也可以参与计算，例如加和、比较等等。本文通过一个简单的示例，展示一下PyTorch框架下，NAN的计算规则。

代码示例

如下是一个简单的示例：

In [1]: import torch as tc

In [2]: tc.nan
Out[2]: nan

In [3]: a = tc.tensor([0., 1.0, tc.nan])

In [4]: a
Out[4]: tensor([0., 1., nan])

In [5]: a.max()
Out[5]: tensor(nan)

In [6]: a.min()
Out[6]: tensor(nan)

In [7]: a.sum()
Out[7]: tensor(nan)

In [8]: b = a - tc.nan

In [9]: b
Out[9]: tensor([nan, nan, nan])

我们可以直接用torch.nan来定义一个NAN的数。然后这个NAN在计算过程中，不论是取最大值还是最小值，都会取到NAN。如果另外一个数跟NAN做四则运算，得到的结果也是NAN，这就是NAN的基本运算规则。

NAN的产生

如果我们直接使用1/0这样的形式去计算，得到的结果会是inf而不是NAN：

In [1]: import torch as tc

In [2]: a = tc.zeros(1)

In [3]: b = tc.ones(1)

In [4]: c=b/a

In [5]: c
Out[5]: tensor([inf])

实际上出现NAN时，只有两种可能的情况：0/0和inf/inf：

In [1]: import torch as tc

In [2]: a = tc.zeros(1)

In [3]: b = tc.zeros(1)

In [4]: a/b
Out[4]: tensor([nan])

In [5]: b[0]=1

In [6]: a/b
Out[6]: tensor([0.])

In [7]: b/a
Out[7]: tensor([inf])

In [8]: (b/a)/(b/a)
Out[8]: tensor([nan])

那么就可以通过这样的规则，去排除一下是计算的哪个步骤出现了问题。