在用 NumPy 手动实现单层感知机时，打印训练后的权重和偏置常因默认浮点显示格式（如科学计数法、精度截断）而丢失精度；正确做法是通过 np.set_printoptions(suppress=True, precision=n) 全局控制输出格式，并配合 np.array2string() 和格式化字符串精准导出原始小数值，便于嵌入 PyScript 等前端环境。
在用 numpy 手动实现单层感知机时，打印训练后的权重和偏置常因默认浮点显示格式（如科学计数法、精度截断）而丢失精度；正确做法是通过 `np.set_printoptions(suppress=true, precision=n)` 全局控制输出格式，并配合 `np.array2string()` 和格式化字符串精准导出原始小数值，便于嵌入 pyscript 等前端环境。
NumPy 默认的数组打印行为会优先使用科学计数法（如 1.23e-05）并限制小数位数（通常仅 8 位），这对调试或导出模型参数极为不利——尤其当您需将权重精确复制到 PyScript 中复现预测逻辑时，任何精度损失或格式混淆都可能导致推理结果偏差。
解决方法分两步：全局配置 + 精准输出。
首先，在代码开头（import numpy as np 后立即）设置打印选项：
import numpy as np np.set_printoptions(suppress=True, precision=20) # 关闭科学计数法，保留最多20位小数
suppress=True 强制禁用 e 记法；precision=20 指定浮点数最大显示位数（注意：这是显示精度，非计算精度，不影响实际值）。
其次，在训练循环结束后，避免直接 print(weights) 或 repr(weights) ——repr() 返回的是 NumPy 内部对象表示，仍可能含科学计数法；应改用：
前端设计与 UI/UX 全方位优化专家。覆盖视觉层次、排版系统、色彩理论、响应式布局、交互体验、动画动效、无障碍访问、性能优化八大维度，帮助开发者将普通页面升级为高品质产品级界面。前端设计与 UI/UX 全方位优化专家。覆盖视觉层次、排版系统、色彩理论、响应式布局、交互体验、动画动效、无障碍访问、性能优化八大维度，帮助开发者将普通页面升级为高品质产品级界面。
print("Final weights:")
print(np.array2string(weights, separator=', ', formatter={'float_kind': lambda x: f"{x:.20f}"}))
print("\nFinal bias:")
print(f"{bias:.20f}")
其中 np.array2string() 提供细粒度控制：separator 指定元素分隔符（便于复制为 Python 列表），formatter 确保每个浮点数均以固定小数格式输出。若只需简洁逗号分隔列表（如用于 PyScript 初始化），可简化为：
weights_list = [f"{w:.20f}" for w in weights]
print("weights =", "[" + ", ".join(weights_list) + "]")
print("bias =", f"{bias:.20f}")
⚠️ 注意事项：
-
np.set_printoptions()是全局设置，影响后续所有print()中的数组输出，建议在训练完成后立即调用，避免干扰中间调试； - 权重值本身是
float64，高精度输出不改变其数值精度，但确保您复制到前端的字符串能无损还原为相同浮点值； - 若 PyScript 环境需 JSON 兼容格式，可进一步用
json.dumps(weights.tolist(), separators=(',', ':'))，但需注意 JavaScriptNumber的精度上限（IEEE 754 双精度约 17 位有效数字）； - 最终部署前，务必在 PyScript 中用相同激活函数（如阶跃函数
z >= 0）和相同浮点运算顺序验证预测一致性。
通过以上配置，您将获得类似 [-0.12345678901234567890, 0.98765432109876543210, ...] 的清晰、高精度权重列表，彻底告别意外四舍五入与科学记法干扰。
