Python 3.15 array 新增半精度浮点:AI模型权重省一半内存,到底怎么用了?

你有没有遇到过这种情况？

在网上看到一个 AI 入门教程，里面写着 model.to(torch.float16)，说这样能让模型体积直接砍半。你照着做，效果确实出来了，但你心里一直在打鼓：float16 到底是什么？为什么同样是小数，换了个类型就能省一半内存？Python 原生的 float 难道不是已经够用了吗？

又或者你下载了一个开源模型，权重文件十几 GB，解压后电脑内存直接飙红。你听说换成半精度可以省空间，但一搜资料全是 numpy、PyTorch 的文档，感觉不装一堆第三方库就玩不转。

这些问题困扰着很多编程新手。以前要玩转 float16，基本绕不开 numpy 或者 torch。但从 Python 3.15 开始，标准库里的 array 模块直接支持半精度浮点数了。不用 pip 装任何东西，原生 Python 就能创建、读取、操作 float16 数组。

这篇文章就跟你聊聊，Python 3.15 的 array 模块到底新增了哪些类型，float16 怎么用，以及新手最容易踩的几个坑。

array 是什么？新手别只会用 list

很多新手学 Python 的时候，存储一组数字第一反应就是 list。比如：

这没问题，简单场景完全够用。但 list 有个天生的问题：它不紧凑。

在 Python 里，list 里的每个元素都是一个独立的 Python 对象。就算你只存一个简单的 89.5，Python 也要为这个浮点数分配一块内存，里面包含类型信息、引用计数、数值本身等一堆元数据。一个浮点数对象通常要占 24 字节左右。

如果你只存五个数，这点开销可以忽略。但如果你要存一百万个传感器读数、一千万个模型权重，list 的内存占用会让你怀疑人生。

而 array 模块做的事情很简单：把同类型的数字紧凑地排在一起，像 C 语言数组那样存储。

上面的 'd' 是类型码，表示双精度浮点数，对应 C 语言里的 double。Python 原生的 float 其实也是 64 位双精度，所以 array('d') 跟 list 里存 float 的精度是一样的，但内存占用小很多。

array 的好处总结成三点：

第一，省内存。同样存 100 万个浮点数，array('d') 可能比 list 省几倍内存，因为 array 里每个数只占 8 字节，而 list 里每个元素光对象头就 24 字节起步。

第二，读写二进制文件方便。array 可以直接 .tofile() 写到文件，也可以 .fromfile() 从二进制文件读出来，处理传感器数据、音频采样、模型权重这些场景特别顺手。

第三，是标准库，不用安装。你不需要 pip install 任何东西，import array 就能用。

当然，array 也有局限：它只能存同类型数据，不能像 list 那样一个放整数、一个放字符串、一个放字典。所以它适合处理大量同类型数字的场景，不适合当通用容器。

那怎么判断什么时候用 list，什么时候用 array？一个简单的标准：如果你存的数据数量少于 1000，类型还五花八门，用 list；如果你要处理上万甚至上百万个同类型数字，还要频繁读写文件，用 array。

Python 3.15 的 array，新增了哪三样东西

在 Python 3.15 之前，array 支持的类型码已经不少了：整数有 'b'、'B'、'h'、'H'、'i'、'I'、'l'、'L'、'q'、'Q'，浮点数有 'f'（单精度 32 位）和 'd'（双精度 64 位）。

Python 3.15 又给 array 加了三个新能力：

第一，新增半精度浮点类型码 'e'。

半精度浮点数，也叫 float16，只占 16 位，也就是 2 个字节。比起双精度的 8 个字节，它直接省掉 75% 的内存；比起单精度的 4 个字节，也能省一半。

在 AI 领域，模型权重经常用 float16 存储，因为精度够用，内存占用却小得多。现在 Python 标准库也能直接创建 float16 数组了：

注意看输出，0.1 存进去变成了 0.0999755859375。这就是 float16 的特点：精度低。它能表示的数范围比 float32、float64 小，有效数字也更少。后面会详细说什么时候能用、什么时候不能用。

你可能会问：精度这么低，为什么 AI 模型还要用？

答案是：神经网络的权重对单个数字的精度并不敏感。模型靠的是几千万个参数共同拟合规律，而不是某一位小数必须精确。用 float16 存储权重，推理时转成 float32 计算，精度损失通常小到可以忽略，但内存和显存占用直接减半。

这也是为什么你在 PyTorch 和 TensorFlow 里经常看到 model.half() 或 model.to(torch.float16)。现在 Python 3.15 把这个概念直接带到了标准库，新手即使不装 AI 框架，也能先在小数据上理解 float16 是什么感觉。

第二，新增两种复数类型码 'Zf' 和 'Zd'。

'Zf' 是单精度复数，对应 C 语言的 floatcomplex；'Zd' 是双精度复数，对应 doublecomplex。

复数在信号处理、电路分析、量子计算里很常见。以前 Python 里要处理大量复数，要么用 complex 对象的 list，要么靠 numpy。现在标准库 array 也能紧凑存储复数数组了：

第三，array.typecodes 从字符串改成了元组。

这是一个小改动，但很有用。以前 array.typecodes 是一个字符串，比如 'bBuhHiIlLqQfd'，你要查某个类型码在不在里面，得用 in 判断子串，容易误判。

Python 3.15 把它改成了元组：

现在你可以直接用 'e' in array.typecodes 判断当前环境是否支持半精度浮点，返回 True 或 False，清晰多了。

实操：float16 到底能省多少内存

光说省内存不够直观，我们来实际对比一下。

假设你有一百万个浮点数，分别用 list、array('d')（双精度）、array('e')（半精度）存储，看看它们的内存占用差距：

在我这台电脑上，运行结果大概是：

看到差距了吧？同样是 100 万个浮点数：

list 占了将近 20 MB；

array('d') 降到 7.6 MB；

array('e') 只有 1.9 MB，比 list 省了 90%，比双精度 array 也省了 75%。

这就是为什么 AI 模型权重喜欢用 float16。一个 10 GB 的模型，换成 float16 可能就只剩 5 GB，普通笔记本也能加载了。

而且 array 存成二进制文件也特别方便：

写进去是什么，读出来就是什么，不需要自己处理字节序和精度转换。这对新手来说非常友好。

这里还有一个细节：array 和 numpy 的 float16 在底层存储格式上是一样的，都是 IEEE 754 标准的 16 位浮点数。所以你可以用 array 把数据写成二进制文件，再用 numpy 读取， vice versa：

这意味着 array 可以作为一个轻量级的"数据中转站"，在你还没决定要不要引入 numpy 的时候，先把数据管好。

3 个注意点，别踩坑

array('e') 虽然好用，但 float16 不是万金油。新手用的时候要注意下面三点。

第一，float16 精度有限，不适合算钱。

float16 只有 10 位有效二进制位，大约对应 3 到 4 位十进制有效数字。像 0.1 这种数存进去都会失真：

所以金融计算、价格累加这种对精度敏感的场景，老老实实使用 array('d') 或者直接上 decimal 模块。float16 更适合模型权重、图像像素、传感器数据这类"近似就够了"的数值。

第二，float16 的表示范围比 float32、float64 小。

float16 能表示的最大值大约是 65504，最小正规格化正数大约是 0.000061。如果你的数据里有很多特别大或者特别接近零的数，用 float16 可能会溢出或者下溢成零。

比如：

100000 存进 float16 直接变成了 inf（无穷大）。所以在用 float16 之前，先确认你的数据范围是不是在它能表示的区间内。

第三，array 不是 numpy，没有广播和矩阵运算。

有些新手看到 array 能存 float16，就想替代 numpy。这个想法要不得。

array 只提供基本的序列操作：索引、切片、追加、扩展、写入文件。它不支持两个数组直接相乘得到逐元素结果，也不支持矩阵乘法、广播、线性代数运算。

如果你要做科学计算、矩阵运算，还是用 numpy 或者 torch。array 的定位是"标准库里轻量级的紧凑数组"，不是"迷你版 numpy"。

不过，array 也有它的独特优势：零依赖、启动快、和 C 语言二进制格式兼容。如果你只是需要读写一组同类型数字，或者给 C 程序准备二进制输入，array 比 numpy 更合适。

那什么时候该用什么？给你一个简单的决策表：

数据量小、类型杂、要做各种变换：用 list，灵活方便。

数据量大、同类型、要省内存或写二进制文件：用 array，标准库零依赖。

要做矩阵运算、统计分析、机器学习：用 numpy 或 torch，功能齐全。

Python 3.15 给 array 加上 float16 和复数支持，相当于把标准库往"更贴近现代数据需求"的方向推了一步。新手学习 Python 的时候，可以先用 array 理解"数据类型和内存占用"的关系，等真正做科学计算时再上 numpy，过渡会更自然。

你有没有被 list 的内存占用坑过？或者第一次看到 float16 的时候也是一脸懵？评论区聊聊。