np.exp会返回inf是因为输入值过大（如x>709）超出float64指数范围，导致静默溢出；常用解决法是先用np.clip(x,-700,700)截断再计算，或直接使用scipy.special.softmax等内置稳定实现。
为什么 np.exp 会报错或返回 inf？
根本原因是输入值过大（比如 x > 709），超出 float64 能表示的指数范围，np.exp(x) 直接返回 inf，后续计算（如除法、log）就可能触发 RuntimeWarning 或 nan。这不是“报错”而是静默溢出，但实际效果和报错一样——结果不可用。
用 np.exp 前先做数值截断
最常用也最安全的做法：把过大的输入限制在合理范围内，比如用 np.clip 把输入压到 [-700, 700] 以内（np.exp(700) 已是 ~1e304，足够覆盖绝大多数 softmax 场景）。
-
np.exp(np.clip(x, -700, 700))可避免inf - 若原始数据含极大正值（如 logits 达 1000+），说明模型输出未归一化，应检查前序逻辑
- 注意：
clip是硬截断，对极小负值（如-1000）也会被拉到-700，但np.exp(-700)≈ 0，不影响精度
用 scipy.special.expit 或 logsumexp 替代裸 exp
直接调 np.exp 往往是为算 softmax 或 sigmoid；这些已有稳定实现，不该自己手写。
- 算 sigmoid：用
scipy.special.expit(x)，内部做了数值保护，支持任意实数输入 - 算 softmax：用
scipy.special.softmax(x, axis=-1)，自动减去最大值再 exp - 手动实现 softmax 时，务必先减去每行最大值：
np.exp(x - np.max(x, axis=-1, keepdims=True)) - 需要 log-sum-exp？别写
np.log(np.sum(np.exp(x)))，改用scipy.special.logsumexp(x)
调试时怎么快速定位溢出源头？
别等结果出 nan 再查，提前加一行检测：
立即学习“Python免费学习笔记（深入）”；
assert not np.any(np.isinf(x) | np.isnan(x)), f"input contains inf/nan: {x}"更实用的是监控中间值：
- 打印
np.max(x)和np.min(x)，若超过 ±800 就该警惕 - 训练中可在 loss 计算前加
if np.any(np.abs(x) > 800): print("large logits detected") -
np.finfo(float).max返回 ~1.8e308，而np.exp(709.78)就溢出，所以安全上限取 700 更稳妥
真正麻烦的不是溢出本身，而是它常藏在链式计算里——比如一个 np.exp 的输入来自另一个没 clip 的 np.exp 输出，这种嵌套放大容易漏查。
