应直接使用 np.exp() 进行数组指数运算，因其是向量化优化函数，比 math.exp()、** 运算符或循环快一个数量级以上，且自动处理广播、dtype 推断及 nan/inf 边界。
直接用 np.exp()，别手写循环或幂运算
NumPy 的 np.exp() 是专为数组指数运算优化的向量化函数，比 **、math.exp() 或 Python 循环快一个数量级以上，且自动处理广播、dtype 推断和 NaN/inf 边界。
- 对一维增长序列（如
[0, 1, 2, 3]），np.exp(arr)直接返回[1., 2.718..., 7.389..., 20.085...] - 若误用
math.exp()，会报TypeError: only size-1 arrays can be converted to Python scalars—— 它只接受标量 - 若用
arr ** np.e，结果近似但不等价：np.exp()调用的是底层 C 库的exp()实现，精度和性能都更可靠
np.exp() 处理大数时会溢出，得提前截断
当输入值超过约 709（np.finfo(np.float64).maxexp），np.exp(x) 返回 inf；负数绝对值过大则下溢为 0。这对增长序列尤其敏感——比如拟合指数衰减或 softmax 前的 logits。
- 常见现象：计算
np.exp([1000, -1000])得到[inf, 0.]，后续除法直接崩成nan - 安全做法：先平移数组，用
np.exp(x - x.max())再归一化（如 softmax 场景） - 若只需判断是否“显著大于 0”，可用
np.where(x > 700, np.inf, np.exp(x))显式控制
输入是整数数组时，输出 dtype 可能意外降级
NumPy 默认将整数输入转为 float64 输出，但若原始数组是 int32 且你没显式指定，某些旧版本或特定编译环境下可能退化为 float32，导致精度丢失（比如 np.exp(100) 在 float32 下误差超 0.1%）。
- 检查方式：打印
np.exp(arr).dtype，不是float64就要干预 - 强制方法：传入
dtype=np.float64参数，如np.exp(arr, dtype=np.float64) - 更稳妥：初始化增长序列时就用浮点，例如
np.arange(0, 10, 0.1, dtype=np.float64)
和 Python 原生 ** 运算符混用容易出错
有人想用 arr ** np.e 替代 np.exp(arr)，逻辑上看似等价，实际有三处隐患：
- 结果类型不稳定：若
arr是int64，**可能返回int64（溢出变负数），而np.exp()总是 float - NaN 处理不同：
np.nan ** 2是nan，但np.exp(np.nan)明确定义为nan，语义更干净 - 性能差：
**对每个元素调用幂函数，不享受np.exp()的 SIMD 向量化加速
真要比较，跑个 %timeit np.exp(arr) 和 %timeit arr ** np.e 就知道差距了——通常慢 3–5 倍，还更容易出隐性 bug。
指数增长序列的数值范围很窄，稍不注意就溢出或下溢，np.exp() 本身不解决这个问题，得靠你预判输入尺度并做偏移或裁剪。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
