PyTorch 浮点数精度全景：从 float16/bfloat16 到 float64 及混合精度实战

PyTorch 在深度学习中提供了多种 IEEE 754 二进制浮点格式的支持，包括半精度（float16）、Brain‑float（bfloat16）、单精度（float32）和双精度（float64），并通过统一的 torch.dtype 接口进行管理citeturn0search0turn0search3。用户可利用 torch.finfo 查询各类型的数值极限（如最大值、最小值、机器 ε 等），通过 torch.set_default_dtype/torch.get_default_dtype 设置或获取全局默认浮点精度，并使用 torch.promote_types 控制运算中的类型提升规则citeturn0search2turn0search4。在现代 GPU 上，PyTorch 提供了 torch.amp.autocast 和 torch.amp.GradScaler 等自动混合精度（AMP）工具，能够在保证数值稳定性的前提下，大幅提升训练速度和降低显存占用citeturn0search6turn0search11。

PyTorch 浮点类型对比

类型 (`torch.dtype`)	别名	位宽	符号位	指数位	尾数位 (显式)	有效精度 (含隐含位)	典型用途
`torch.float16`	`torch.half`	16	1	5	10	11 位 (~3.3 十进制位)	推理加速，对精度要求不高的场景
`torch.bfloat16`	---	16	1	8	7	8 位 (~2.4 十进制位)	大规模训练（TPU、支持 BF16 的 GPU）
`torch.float32`	`torch.float`	32	1	8	23	24 位 (~7.2 十进制位)	深度学习训练/推理的标准精度
`torch.float64`	`torch.double`	64	1	11	52	53 位 (~15.9 十进制位)	科学计算、高精度数值分析

上表位宽、指数位、尾数位数据遵循 IEEE 754 标准：二进制16（binary16）格式指数 5 位、尾数 10 位citeturn1search0；二进制32（binary32）格式指数 8 位、尾数 23 位citeturn1search8；二进制64（binary64）格式指数 11 位、尾数 52 位citeturn1search8。

数值属性查询

torch.finfo(dtype) ：返回指定浮点类型的数值极限信息，包括：
- bits：总位宽
- eps：机器 ε，即最小增量
- min/max：可表示的最小/最大值
- tiny/smallest_normal：最小非规范/规范化值 citeturn0search2。

python 复制代码

import torch
print(torch.finfo(torch.float32))
# finfo(resolution=1e-06, min=-3.40282e+38, max=3.40282e+38, eps=1.19209e-07, smallest_normal=1.17549e-38, tiny=1.17549e-38, dtype=float32)

默认精度与类型提升

全局默认浮点精度
- torch.get_default_dtype()：获取当前默认浮点类型，初始值为 torch.float32citeturn0search9。
- torch.set_default_dtype(d)：设置默认浮点类型，仅支持浮点类型输入；后续通过 Python float 构造的张量将采用该类型citeturn0search4。
类型提升 (Type Promotion)
- torch.promote_types(type1, type2)：返回在保证不降低精度与范围的前提下，最小的可兼容浮点类型，用于混合类型运算时的结果类型推断citeturn0search5。

自动混合精度（AMP）

PyTorch 的 AMP 机制在 前向/反向传播 中自动选择低精度（float16 或 bfloat16）计算，而在 权重更新 等关键环节保留 float32，以兼顾性能与数值稳定性。

torch.amp.autocast ：上下文管理器，针对支持的设备（如 CUDA GPU 或 CPU）自动切换运算精度；在 CUDA 上默认使用 float16，在 CPU 上可指定 dtype=torch.bfloat16citeturn0search6。
torch.amp.GradScaler ：动态缩放梯度，避免低精度下的梯度下溢，实现稳定训练；与 autocast 搭配使用可获显著加速（1.5--2×）和显存节省citeturn0search11。

示例（CUDA 上的混合精度训练）：

python 复制代码

from torch.amp import autocast, GradScaler
scaler = GradScaler()
for data, target in loader:
    optimizer.zero_grad()
    with autocast():
        output = model(data)
        loss = loss_fn(output, target)
    scaler.scale(loss).backward()
    scaler.step(optimizer)
    scaler.update()

实践建议

开发与调试阶段 ：优先使用 float32，确保数值稳定。
大规模训练 ：若硬件支持 BF16，可尝试 bfloat16 训练；否则在 GPU 上结合 AMP 使用 float16。 3. 部署推理 ：在对精度容忍度高的场景下采用 float16，监控精度变化。
默认设置优化 ：根据项目需求使用 torch.set_default_dtype 控制全局默认精度，并结合 torch.promote_types 处理跨类型运算。