.. blogpost::
    :title: Infinite dans une conversion de float64 en float32
    :keywords: python, mémoire
    :date: 2020-10-25
    :categories: numpy

    C'est le genre de petits détails numériques qui font
    qu'un calcul échoue sans qu'on se doute le plus souvent
    qu'une erreur s'est glissée quelque part.
    Le type `float32` est très utilisé dans le cas des réseaux
    de neurones profonds car le calcul peut alors être fait
    sur CPU et GPU. Dans le cas du machine learning classique,
    avec :epkg:`scikit-learn`, c'est le type `float64` est qui
    le plus souvent utilisé. Dès lors, il arrrive qu'on doivent
    convertir des réels d'un type à l'autre.

    De `float32` à `float64`, tout se passe bien puisque le second
    type est plus précis que le premier, il est codé sur plus d'octets.
    Le nombre converti est identique à l'original dans ce cas.
    Dans l'autre sens, on pourrait s'attendre à une légère perte
    de précision, une sorte d'arrondi, sauf que dans un cas,
    la différence est notable.

    .. runpython::
        :showcode:

        import numpy
        x = numpy.float64(1e300)
        print(x)
        print(numpy.float32(x))

    La valeur `1e300` ne peut être représentée avec un type
    `float32 <https://en.wikipedia.org/wiki/
    Single-precision_floating-point_format>`_
    mais elle existe avec un type `float64`. Quand on
    la convertit, :epkg:`numpy` la remplace par une constante
    `numpy.inf <https://numpy.org/devdocs/reference/
    constants.html#numpy.inf>`_ ce qui peut avoir un impact
    assez grand selon les calculs qui suivent.
    On pourrait que ce cas n'arrive pas souvent sauf quand on
    utilise la fonction exponentielle. Et c'est très fréquent en
    deep learning.