...
Eroare Aplicații AI cu LLM · Embeddings și RAG

ZeroDivisionError: float division by zero

Pe scurt

Similaritatea cosinus împarte la produsul lungimilor celor doi vectori, iar unul dintre ei are lungimea 0 (un vector numai din zerouri, pus ca înlocuitor pentru un text gol sau un embedding eșuat). Nu pune vectori de zero în index; dacă există, sari peste ei sau întoarce 0.0 când norma e 0.

Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la

Ce înseamnă

Formula similarității cosinus este produsul scalar împărțit la produsul normelor: a·b / (|a| * |b|). Un vector cu toate componentele 0 are norma 0, deci împărțirea e la zero. Pentru că math.sqrt întoarce float, Python spune float division by zero.

Embeddings-urile reale nu sunt niciodată vectori de zero. Zerourile vin din codul aplicației: un înlocuitor [0.0] * dim pus pentru textele goale (ca să nu strice pozițiile din listă), pentru embeddings care au dat eroare sau pentru documente încă neprocesate, ori un vector inițializat și necompletat.

Caută în index elementele cu sum(abs(x) for x in v) == 0: acolo e problema, iar în spatele lor de obicei e o eroare ascunsă mai devreme.

De ce apare: cauzele frecvente

1Vector de zero ca înlocuitor

Greșit
PYTHON
vectori = [item.embedding if text else [0.0] * DIM for text, item in perechi]
Corect
PYTHON
index = [(text, item.embedding) for text, item in perechi if text.strip()]

Un document fără text nu are ce căuta în index. Fără el, nicio normă nu e zero.

2Cosinus fără protecție

Greșit
PYTHON
return produs / (norma_a * norma_b)
Corect
PYTHON
if norma_a == 0 or norma_b == 0:
    return 0.0
return produs / (norma_a * norma_b)

Un vector nul nu seamănă cu nimic; scorul 0.0 îl pune la coada rezultatelor.

Repară tu

Repară eroarea, direct în pagină

Catalogul are un produs fără descriere. Ca să păstreze pozițiile, codul îi pune un vector de zerouri, iar căutarea cade cu ZeroDivisionError: float division by zero. Repară construirea indexului: păstrează doar produsele cu descriere (fără vectori de zero), apoi afișează câte produse sunt în index și produsul cel mai apropiat de întrebare.

Codul care dă eroarea
PYTHON
import math

from openai import OpenAI

MODEL_EMB = "text-embedding-3-small"
client = OpenAI()


def cosinus(a, b):
    produs = sum(x * y for x, y in zip(a, b))
    return produs / (math.sqrt(sum(x * x for x in a)) * math.sqrt(sum(y * y for y in b)))


produse = [
    {"nume": "Fierbător", "descriere": "Fierbător electric din inox, 1,7 litri."},
    {"nume": "Cafetieră", "descriere": ""},
    {"nume": "Prăjitor", "descriere": "Prăjitor de pâine cu două fante și șapte trepte."},
]
cu_text = [p["descriere"] for p in produse if p["descriere"].strip()]
r = client.embeddings.create(model=MODEL_EMB, input=cu_text)
vectori = iter(item.embedding for item in r.data)
index = [(p["nume"], next(vectori) if p["descriere"].strip() else [0.0] * 64) for p in produse]

q = client.embeddings.create(model=MODEL_EMB, input="Am nevoie de un fierbător electric pentru apă").data[0].embedding
print("Produse în index:", len(index))
print("Cel mai apropiat:", max(index, key=lambda x: cosinus(x[1], q))[0])
După reparație, programul afișează
Produse în index: 2
Cel mai apropiat: Fierbător
Indiciu

Filtrează produsele cu if p["descriere"].strip() înainte să ceri embeddings.

Alte forme ale mesajului

  • ZeroDivisionError: division by zero
  • RuntimeWarning: invalid value encountered in divide

Cum o eviți pe viitor

  • Nu păstra în index documente fără text sau fără embedding; loghează-le separat.
  • Când un embedding eșuează, reîncearcă sau marchează documentul, nu pune zerouri.
  • Pune protecția la normă zero în funcția de similaritate, o singură dată.

Întrebări frecvente

Varianta cu RuntimeWarning de unde vine?

Din numpy: împărțirea la zero pe tablouri nu aruncă excepție, ci dă nan și un avertisment. Rezultatul e la fel de greșit, doar că trece neobservat.

Vectorii de embeddings nu sunt deja normalizați?

Mulți furnizori întorc vectori de lungime 1, caz în care produsul scalar e chiar cosinusul. Un vector de zero pus de aplicație rămâne însă de lungime 0.

Erori înrudite

← Toate erorile Aplicații AI cu LLM

Tudor Andrei Dumitrescu
Cine a explicat eroarea

Tudor Andrei Dumitrescu

Senior Software Developer · fondatorul Academiei Programatorilor

LinkedIn
  1. 2019 Junior JavaCognizant Softvision
  2. 2021 Mid JavaCognizant Softvision
  3. 2022 Team LeaderEndava
  4. 2023 Senior Software DeveloperUniCredit
  5. Acum Senior Software DeveloperHCLTech
Certificat de absolvire Instructor / Preparator formare, Tudor Andrei Dumitrescu
Certificat de formator autorizatMinisterul Muncii și Ministerul Educației · 2022
Certificat de absolvire Instructor / Preparator formare, Tudor Andrei Dumitrescu

Certificat de formator autorizat · Ministerul Muncii și Ministerul Educației · 2022

Din 2020 construiește Academia Programatorilor, iar din 2026 și JoburiIT.ro. Fiecare eroare de aici a fost reprodusă în editorul nostru: codul greșit chiar dă mesajul din titlu, iar reparația chiar funcționează.

Învață Aplicații AI cu LLM de la zero, cu exerciții la fiecare lecție

Curs Aplicații AI cu Claude și OpenAI: lecții scurte, fiecare cu un exercițiu verificat automat, direct în browser. Primele 8 lecții sunt gratuite.