NumPy 默认对浮点数上溢（如 np.exp(1000)）发出警告，但对下溢（如 np.exp(-100000) 返回 0.0）默认静默忽略；用户可通过 np.seterr() 或 np.errstate() 显式启用下溢警告。
numpy 默认对浮点数上溢（如 `np.exp(1000)`）发出警告，但对下溢（如 `np.exp(-100000)` 返回 `0.0`）默认静默忽略；用户可通过 `np.seterr()` 或 `np.errstate()` 显式启用下溢警告。
在科学计算中，np.exp(x) 是高频使用的函数，但其输入范围极易引发浮点异常：当 x 过大时结果超出 float64 表示上限（约 exp(709.78)），触发上溢（overflow）；当 x 过小时（如 -100000），结果趋近于零，低于最小正归一化浮点数（约 exp(-745)），发生下溢（underflow）——此时 NumPy 默认将结果设为 0.0，且不报错、不警告。
这一行为差异源于 NumPy 的浮点错误处理策略。可通过以下方式查看当前设置：
import numpy as np
print(np.geterr())
# 输出：{'divide': 'warn', 'over': 'warn', 'under': 'ignore', 'invalid': 'warn'}
可见 'under': 'ignore' 是默认配置，因此 np.exp(-100000) 安静返回 0.0，而 np.exp(1000) 因 'over': 'warn' 触发 RuntimeWarning。
如需统一警示所有数值异常，可全局修改：
np.seterr(under="warn") np.exp(-100000) # → RuntimeWarning: underflow encountered in exp
更推荐使用上下文管理器 np.errstate，实现局部、可恢复的错误控制：
with np.errstate(under="warn"):
result = np.exp(-100000) # 仅在此代码块内启用下溢警告
# 退出后自动恢复原设置
⚠️ 注意事项：
- 下溢本身不破坏计算稳定性（0.0 是合法浮点值），故默认忽略属合理设计；但若算法对极小值敏感（如概率对数空间运算），应主动检测并处理；
- np.seterr() 影响全局状态，多线程/并发环境中慎用；np.errstate() 更安全、更符合函数式编程习惯；
- 真正的“下溢错误”（如非数字输出）需结合 invalid 设置判断，而不仅是 under。
掌握该机制，有助于构建鲁棒的数值计算流程——既不忽视潜在精度损失，也不被冗余警告干扰调试。
