Int + 0.5 还是 Int，小数被截掉
主线位置：张量主线的「计算」一步，整数张量和浮点标量的二元运算。
版本：PyTorch 2.15.0（CPU）、burn 0.22.1（Flex 设备）
flowchart TB idx["idx Int 0 到 3"] --> pt["PyTorch idx + 0.5"] idx --> bn["burn idx + 0.5"] pt --> f["float32 0.5 到 3.5"] bn --> cut["0.5 先截成 0"] cut --> same["I32 0 到 3 不变"] same --> fix["idx.float() + 0.5"]
实验 crate pita-t 的 p03、编不过的例子在 pita-ce 的 ce03（同样的 burn feature），PyTorch 侧 p03_int_plus_float.py。debug 构建。平台 M2 Max、macOS 27、rustc 1.99.0。
PyTorch 的写法
像素中心、归一化坐标、位置编码，起点都是一个整数下标张量：
idx = torch.arange(4) # pixel indices, int64
centers = (idx + 0.5) / 4 # normalized pixel centers
idx + 0.5 [0.5, 1.5, 2.5, 3.5] torch.float32
(idx+0.5)/4 [0.125, 0.375, 0.625, 0.875]
idx * 0.5 [0.0, 0.5, 1.0, 1.5]
idx * -0.7 [-0.0, -0.699999988079071, -1.399999976158142, -2.0999999046325684]
整数张量遇到浮点标量，结果提升成默认浮点类型 float32。
搬到 burn 的现象
let idx = Tensor::<1, Int>::arange(0..4, &device);
let shifted = idx.clone() + 0.5;
println!("(idx + 0.5) / 4 {:?}", iv(shifted / 4));
println!("idx * 0.5 {:?}", iv(idx.clone() * 0.5));
println!("idx * -0.7 {:?}", iv(idx.clone() * -0.7));
println!("idx * 2.9 {:?}", iv(idx.clone() * 2.9));
idx + 0.5 I32 [0, 1, 2, 3]
(idx + 0.5) / 4 [0, 0, 0, 0]
idx * 0.5 [0, 0, 0, 0]
idx * -0.7 [0, 0, 0, 0]
idx * 2.9 [0, 2, 4, 6]
能编译，能运行，没有警告。idx + 0.5 原样返回 idx，乘 0.5 和 -0.7 得到全 0，乘 2.9 等于乘 2。结果的种类还是 Int，dtype 是 I32。
原因
idx + 0.5 用的是 Add<E: ElementConversion> 这一个重载，转给 add_scalar，乘法同理走 mul_scalar。它们先用 Scalar::new 把标量换成「张量自己的种类」：
pub fn new<E: ElementConversion>(value: E, dtype: &DType) -> Self {
if dtype.is_float() | matches!(dtype, &DType::QFloat(_)) {
Self::Float(value.elem())
} else if dtype.is_int() {
Self::Int(value.elem())
// ...
张量是整数，0.5 就经 value.elem() 变成 i64。浮点转整数的规则在 burn-std 的 impl_to_element_float_to_signed_int 里，注释写着「Float as int truncates toward zero」：0.5、-0.7 变成 0，2.9 变成 2。只有超出 i64 的范围才 panic：idx + 1e30 报「Float cannot be represented in the target signed int type」。运算的输出种类永远是左边张量的种类，类型提升（type promotion）这一层在 burn 里不存在，见dtype 与设备的「没有类型提升」。
改法
先把整数张量换成浮点，再和浮点标量运算：
let centers = (idx.float() + 0.5) / 4.0;
(idx.float() + 0.5) / 4.0 F32 [0.125, 0.375, 0.625, 0.875]
和 PyTorch 的 [0.125, 0.375, 0.625, 0.875] 逐个相同：这几个数在 f32 里都能精确表示，两边算的是同样的 f32 运算，误差是 0。.float() 取设备的默认浮点类型（Flex 上 F32），要别的精度用 cast(FloatDType::F64)。
怎么检查
结果的种类写在类型里，所以给结果标上你以为的类型，编译器就会拦住：
let centers: Tensor<1> = (idx + 0.5) / 4.0;
error[E0308]: mismatched types
--> src/bin/ce03.rs:6:28
|
6 | let centers: Tensor<1> = (idx + 0.5) / 4.0;
| --------- ^^^^^^^^^^^^^^^^^ expected `Tensor<1>`, found `Tensor<1, Int>`
| |
| expected due to this
|
= note: expected struct `Tensor<_, burn::tensor::Float>`
found struct `Tensor<_, burn::tensor::Int>`
- 函数签名里写明
Tensor<D>（浮点）还是Tensor<D, Int>，不要让中间结果的类型全靠推断。 - 在搬过来的代码里找
Int张量和带小数点的字面量放在同一个运算里的地方：+ 0.5、* 0.1、/ 2.0、- 1e-3。每一处都要么先.float()，要么确认截断就是你要的。
小结
- burn 没有类型提升：
Int张量和浮点标量运算，标量先向零截成整数，结果还是Int。 idx + 0.5不变、idx * 0.5全 0、idx * 2.9等于乘 2，都不报错。- 先
.float()再算；给结果标上Tensor<D>让编译器检查种类。