我知道类似的精度问题在这里也有人问过，但是我正在阅读一个项目的代码，这个项目是在浮点之间做一个精确的平等比较，这让我很困惑。
假设 x1 和 x2 属于 numpy.ndarray 和d型 np.float32. 这两个变量是通过对相同数据执行相同的代码计算出来的，但是 x1 已由一台机器计算出来，并且 x2 (这是在与MPI通信的AWS集群上完成的)。
然后将这些值进行比较，具体如下
numpy.array_equal(x1, x2)
因此，完全平等（无容差）是这个程序工作的关键，而且似乎工作得很好。这让我很困惑。如何比较两个 np.float32 在不同的机器上计算，并且不面临精度问题？什么时候这两个（或多个）浮点数可以相等？
IEEE-754规定的算术是确定性的，给定了其第11条（2008年版）中讨论的某些约束条件，包括合适的表达式评估规则（如从编程语言中的表达式毫不含糊地翻译成IEEE-754操作，如 a+b+c 要给 (a+b)+c，不 a+(b+c)).
如果不使用并行性或者并行性的构造是合适的，比如总是将一个作业分割成相同的片段，并以相同的方式组合它们的结果，而不管计算完成的顺序如何，那么获得相同的结果就不足为奇了。
妨碍可重复性的一些因素包括：不同的并行性、使用不同的数学库（对诸如 "DSP "等函数的实现不同）。pow)，以及使用对浮点运算不严格的语言(比如允许但不要求额外的精度)。