文章类型的网站模版恩施网站定制

数据存储

🔹 常见存储格式与精度

1. 不会损失精度：二进制存储（npy, npz, pickle, HDF5, Feather, Arrow, Parquet 等）。

2. 可能损失精度：文本格式存储（csv, json, txt），取决于导出时保留的小数位数。

3. 必然损失精度：强制数据类型降级（float64 存成 float32/float16 等）。

不会有精度损失的情况

1. 二进制格式存储（精确保留底层内存表示）

   • .npy / .npz（NumPy 格式）

   • .pkl（Python pickle）

   • HDF5（h5/hdf5，如果使用 float32/float64 存储）

   • Feather / Arrow 格式

   • Parquet（数值类型不做额外转换时）

   👉 原因：这些格式会直接存储数据的二进制表示（比如 float64 的 IEEE 754 表示），只要读写时保持相同的数据类型，就不会有额外的精度损失。

可能有精度损失的情况 

1. 文本格式存储（需要数值 ↔ 字符串 转换）

   • .csv / .tsv / .txt

   • JSON (.json)

   • XML

   • YAML

   👉 原因：

   • 浮点数在写出时会被转成字符串（小数点后的位数有限，比如默认 6 位/15 位），再读入时再转回浮点数，可能丢失部分精度。

   • 如果手动设置高精度输出（如 np.savetxt(..., fmt="%.18e")），损失可以忽略，但文件会更大。

   • 在使用map reduce时候，json不是一种特别好的保存方式

一定会有精度损失的情况

强制类型降级

• float64 → float32 → float16

• int64 → int32 → int16

👉 无论什么存储格式，只要数据类型被降级，就会损失精度（小数位或数值范围）。
比如：np.float64(0.1234567890123456) 存成 float32 就会截断成 0.12345679。

---

二进制存储 vs 文本存储

1. 二进制存储（比如 .npy、HDF5）：
   直接把这串字节（01000000 01001000 …）写到文件里，读出来完全一样，不丢精度。3.14 存进去后实际上是：01000000 01001000 11110101 11000011 这就是它的 二进制表示。

2. 文本存储（比如 .csv、.json）：
   会把 3.14 转成字符串 "3.14"，然后存入文件。
   下次再读的时候，需要解析字符串 "3.14" → 转成浮点数 → 重新编码成二进制。
   如果存的时候截断了，比如 "3.140000"，那读回来就不一定等于原值。

🔹 总结  📌 “存储二进制表示” = 把数据在内存里的 0/1 编码（字节序列） 原封不动写到文件里，而不是转成人能看的字符串。

🔹 存储时间/读取时间/存储空间

【数据面试滑铁卢】Python数据常用存储格式（纯效率比对展示）_哔哩哔哩_bilibili

---

行存储和列存储

• 按行处理多 → 选择行连续存储
• 按列分析多 → 选择列连续存储
• 深度学习通常选择行连续：符合批量处理模式
• 注意框架默认：NumPy/PyTorch默认行连续，需要时进行转换

Pandas DataFrame默认使用行连续存储  不管源文件是什么格式，转换为DataFrame后通常是行连续的

Apache Arrow (Feather格式的底层) /Parquet 使用列连续存储

csv/json是行存储

🔹 实际工程考虑

一般用feather/parquet/pickle都比较多 兼顾效率和精度

yaml格式用来存超参数 更有可读性

虽然理论上float64精度最高，但在实践中：

• float32通常已足够：大多数深度学习框架默认使用float32
• 存储空间平衡：float64占用双倍空间
• 计算效率：GPU对float32优化更好

精度

1. float32 (单精度浮点数，FP32)

这是最常用的浮点数表示方式，符合 IEEE 754 标准。

• 总位数：32 位

• 组成：

  • 1 位符号位 (sign)

  • 8 位指数位 (exponent)

  • 23 位尾数位 (mantissa / significand)

• 优点：范围大、精度高，广泛用于数值计算、科学计算、传统训练。

• 缺点：存储和计算开销大，速度相对慢。

---

2. float16 (半精度浮点数，FP16)

为减少存储和加速计算而出现。

• 总位数：16 位

• 组成：

  • 1 位符号位

  • 5 位指数位

  • 10 位尾数位

• 优点：

  • 占用显存减少一半（相比 FP32）

  • 运算速度快（尤其在 GPU 的 Tensor Core 上）

• 缺点：

  • 范围和精度小于 FP32，容易出现溢出 (overflow) 或下溢 (underflow)

  • 对数值稳定性要求较高（训练时常用 混合精度训练：权重 FP32 存，计算用 FP16）

---

3. float8 (超低精度浮点数，FP8)

这是最新兴的格式，主要用于 大模型训练 / 推理加速，NVIDIA Hopper 架构 (H100) 已支持。

• 总位数：8 位

• 常见标准：

  • E4M3：4 位指数 + 3 位尾数

  • E5M2：5 位指数 + 2 位尾数

• 优点：

  • 存储量仅 FP32 的 1/4，带宽和显存占用大幅下降

  • 硬件上加速非常明显（矩阵乘法吞吐率翻倍）

• 缺点：

  • 精度更低，表示范围有限

  • 必须依赖缩放因子 (scaling factor) 等技巧来保持数值稳定性

---

4. 三者之间的关系

• FP32 → 精度最高，开销最大，用作“基准”。

• FP16 → 精度折中，显存/速度提升 2 倍，常用于混合精度训练。

• FP8 → 精度最低，但速度与存储优势最大，用于大模型分布式训练/推理。

常见用法是 分层混合精度：

• 训练中：权重和梯度可能保留 FP16/FP32，而激活值和部分计算用 FP8。

• 推理中：大部分用 FP8，关键部分用 FP16/FP32 保证准确度。