NumPy einsum 开启优化后，safe casting 仍把小数写成整数

同一个 np.einsum()，关闭优化会拒绝把浮点结果写入整数 out，开启 optimize=True 却悄悄截掉小数。即使已经指定 casting="safe"，也要核对结果是否经过了普通数组赋值。

NumPy 2.5.4 的部分优化路径将运算转为矩阵乘法，随后为了恢复输出轴顺序或形状，用 out[...] = ab 写回目标。这个赋值没有沿用调用方的安全转换要求，因此某些下标表达式与输出布局会表现不同；不能推定所有开启优化的 einsum 都会出错。

计算与受约束的写回分开

目标数组必须保留整数 dtype 时，不应把小数截断当作可接受结果。可先让 einsum 生成独立结果，再在写回边界明确验证转换规则：

import numpy as np

a = np.array([[0.25, 1.5]], dtype=np.float64)
b = np.array([[2.0], [3.0]], dtype=np.float64)
out = np.zeros((1, 1), dtype=np.int64)

result = np.einsum("ij,jk->ik", a, b, optimize=True)
if result.shape != out.shape:
    raise ValueError("output shape differs")
if not np.can_cast(result.dtype, out.dtype, casting="safe"):
    raise TypeError("unsafe result dtype conversion")
np.copyto(out, result, casting="safe")

在这组类型下，代码应在写入前拒绝转换，整数目标仍保留原值。若业务本来需要浮点输出，就应在调用前分配正确的浮点目标，而不是用宽松 casting 消掉错误。

safe 主要按 dtype 转换能力判断，不会因为某个浮点结果恰好是 2.0，就自动认为转换成整数符合原契约。确实需要舍入或整数化时，应单独定义舍入方式、范围和非法值处理，不能悄悄依赖数组赋值的截断。

保留原下标式和批次含义

把 einsum 随手改成 dot()，可能改变收缩轴、批次广播或输出顺序。先保持原来的下标表达式，只分离结果与写回，更容易核对这次修改的范围。复杂表达式本身的输入 dtype 选择和中间精度也要另外确认；安全写回不能恢复已经在计算中丢失的精度。

截至 2026 年 10 月 26 日，2.5.4 的该写回分支仍存在。验收覆盖原下标式、真实 out 布局、优化开关与代表性的非整数值，确认不允许的转换会在目标被修改前失败；单纯比较两边打印出的整数，可能漏掉已经发生的截断。