eigen库里面vector或者matrix的sum函数的累加过程，是按照什么顺序累加的？

在调用tensorflow框架的某个算子接口的时候，发现接口的返回值与自己通过naive的c++或者numpy实现的结果不一样。追根溯源发现是这个算子计算过程中有一个累加的步骤，参与累加运算的数据(单精度浮点类型)如下附的代码中：

#include <iostream>
#include <eigen3/Eigen/Eigen>
int main() {
  Eigen::VectorXf v(10);
  v << 0.0, 2.33559305e-09, 4.00294277e-11, 1.03000897e-08, 5.31838147e-08, 1.12467995e-11, 1.0, 5.30462119e-09, 9.12710463e-11, 3.25927199e-14;
  std::cout.precision(15);
  std::cout << "eigen sum result:" << std::endl << v.sum() << std::endl;

  float result = 0.0;
  std::cout << "sum in order: " << std::endl;
  for (int i = 0; i < v.size(); i++) {
    result += v(i);
    std::cout << "step " << i << ": " << result << std::endl;
  }
  return 0;
}

测试发现将这些数据逐个按顺序累加的结果与直接调用eigen中的vector中的sum方法的结果会有微小区别：前者的结果比1.0大一些，后者的结果为1.0:

eigen sum result:
1
sum in order: 
step 0: 0
step 1: 2.33559305229392e-09
step 2: 2.37562258753599e-09
step 3: 1.26757120355592e-08
step 4: 6.58595240565774e-08
step 5: 6.58707719480844e-08
step 6: 1.00000011920929
step 7: 1.00000011920929
step 8: 1.00000011920929
step 9: 1.00000011920929

初步定位是累加顺序不一致导致这种现象，因为累加过程中会引入数据舍入误差，顺序不同会导致最终结果不同。故有了这个提问，后续按照 @赵智源 给出的解答的方法对这组数据进行验证，结果与eigen的结果一致。DL领域中涉及到数据累加的问题，不同的软件框架、硬件架构可能会有不同的实现，导致同一组输入的累加结果不能保持bit级一致，在合理的范围内应该都是可以接受的。但如果仅仅是从数据的来说，累加步骤中引入的微小误差会导致最终计算的结果天差地别。例如上述这组数据不同的累加结果，乍一看相差极小，但如果将这个累加结果先做 $log$ 计算，再乘以 $inf$ ，根据 IEEE754的标准：
$log(1)\ast inf=nan$
$log(1.00000011920929)\ast inf=inf$
一个仍为无穷大，一个却成了非数。