浮点数杂想@慕课网原创_慕课网

距上一次写原码,反码,补码杂谈已经有一段日子了。关于浮点数，我也有一些自己的思考，想写出来，但是日月如梭，人懒如dog呀。所幸有一个周末，在一家咖啡厅里，喝了杯柠檬滇红(咖啡店喝红茶，好吧这不是重点)，我就开始动笔了。

IEEE754 浮点表示法

根据IEEE754 表示法，一个数可以表示为 :

V= (-1)^SM2^E

符号 s(sign)
s决定这个数是负数还是正数
尾数 M
M是一个二进制小数
阶码 E(exponent)
E 的作用是对浮点进行加权，这个权重加权，这个权重是2的E次幂(可能是负数)

好了，从《深入理解计算机系统》中把这段抄了下来，本文终..........

引言

浮点数 (floating point number) ，顾名思义，小数点(point)浮动表示。

从上面我们可以看出浮点数的表示法，比原来我们表示整数的时候直接把一个十进制数表示为二进制数，看上去复杂多了。

那么，我们为什么需要浮点数表示法呢？

为了存储小数?
直接用二进制表示法，也可以表示小数。十进制小数表示为浮点数表示法的常用计算方式，也是先将小数转为二进制表示，然后再进行移码。
因为小数无法精确存储？
用浮点数表示可以精确存储了吗？并没有。

我个人的观点是

使用浮点数表示法是为了解决在有限位数里，能表示的小数太少。并非为了解决小数在计算机中无法精确存储。

其实浮点数表示法并不复杂。我觉得它的想法和高中数学中的一个函数有一种千丝万缕的关系。

从二进制表示法说起

计算机的存储方式是通过二进制存储的。如果按照整数的存储方式，我们要表示小数也同样要先将十进制的小数转化为二进制表示法。
例如：

二进制	分数	十进制
0.0	0/2	0.0
0.1	1/2	0.5
0.01	1/4	0.25
0.001	1/8	0.125
0.0001	1/16	0.0625
0.00001	1/32	0.03125

结果我们发现其实大部分的小数，因为无法被2整除，而无法用二进制精确表示。

其实从严格意义来说，二进制表示法也不能表示所有的整数，因为位数有限。那么我们如何表示更大的数呢？扩增位数。

那么对于二进制小数，我们也可以借鉴这种想法，扩增位数，表示更多的小数，对于某些无法精确的小数总是可以在有限范围内通过舍入来表示。

定点表示法的困境

可实际上，我们如果把扩展位数x和所能带来的表示范围y，画成图像。
从图像上看其实就有点像高中的幂指数函数 :

(但是x的取值是离散的，只能取整数，y的取值也是离散的。所以图像不是连续的。但是找个图不容易，暂且将就着看吧。)

从图中来看 :

整数
对于整数来说，他对应的是2^x函数的第一象限。在该象限里，随着x也就是位数增加，可表示的范围y呈指数型增长。
小数
但是对于小数来说，对应的是2^x第二象限。在该象限里,随着位数的增加，可表示的范围y增长趋于平缓。也就是说位数扩增对于可表示的浮点数精度，效果并不明显。
结论
对应的大白话来说就是：可能对于底层硬件扩增了n位，但是所能表示的十进制数可能最小精度值一位都没移动。
典型地，你看：

二进制	分数	十进制
0.0001	1/16	0.0625
0.00001	1/32	0.03125

二进制扩增了一位，但是对应的十进制精度从0.0625-> 0.03125实际上最小位上的权还是10^(-2) 并没有移动。

这就是定点数二进制表示法在小数部分应用遇到的困境。怎么办？

think
如果我们能把函数图像往右边移动一下。让小数的表示能落在第一象限。那么对于同等位数的机器，增大 X 所能表示的小数范围 Y 就会相对更大一些，也就是最小精度能更精细一些。
其实想到这里的话，我就觉得用上浮点数表示法就很自然了，并不是刻意的。很水到渠成。向右移动这个2^x 函数，得到的函数图像对应的就是2^(x-E) 函数。其中E这个偏移值就对应了浮点数中,小数点移动的位数，也对应了浮点数表示法中的阶码(exponent)。
其实这也有点科学计数法的感觉。科学计数法是把n个0，写成m * 10^n这种形式，而浮点数表示为 M * 2^E

32位浮点数的二进制表示法

那么根据IEEI754标准的，32位浮点数是如何表示的呢？这里我借用了阮一峰老师画的图。他写的浮点数介绍的文章讲得很简洁明了，一目了然。特意推荐一下：浮点数的二进制表示

由上图：

sign
符号位，用来区分正负
exponent
这个其实应该写作exp才对，真正的exponent 应该指得是 E 阶码。
并且 E = e-bias 或 E = 1-bias(当exp全为0 时)。其中bias定义为等于(2^k-1)的值，也叫做偏置值。
frac
就是尾数，也叫位域了。
当exp!=0 && exp!=255 M = 1+f
当exp=0时 , M=f

有点绕，直接上实锤吧。
根据

V= (-1)^SM2^E

上图的二进制数表示的浮点数为：

f : 0.01(2) = 0.25(10)
e : 01111100(2) = 124(10)
V = (-1)^S*M*2^E
= (-1)^0 * (1+ 0.25)  * 2^(124-127)
=  1* 1.25*2^(-3)
= 1 * 1.25 * 0.125
= 0.15625

再举个栗子：3.0625的浮点数二进制表示法是

第一步：
3.0625(10) = 11.0001(2)
第二步 : 小数点移位
11.0001 = 1.10001(2)* 2^(-1)(10)
第三步 : 根据(-1)^S*M*2^E  写出s ,exp ,f
s = 0 
f = 10001
exp = E+bias = -1+127 = 126 = 01111110
则3.0625 的浮点表示法为
0 01111110 10001 000000 000000 000000

我们可以看到s和frace 总是比较容易理解的，就是E = e - bias 或 E = 1-bias这个会比较难以理解。
这个我个人的看法是 :

用浮点数表示的意义在于，能在有限的位数里表示更多的数。

E的值如果只是负数的话，或只是正数的话。就只能表示小数或只能表示整数。阶码的正负值使浮点数的表示能同时覆盖到整数和小数。
那么，为什么E 的表达方式不和我们补码的那种模运算表示法一样呢?这个我也还没想明白。

但是，对于这个疑问？《深入理解计算机系统》第二章里的介绍关于规格化数和非规格化数这几个概念时有提过这样设计的原因 :
(1) 是为了将非规划化数和平滑过渡到规格化数
(2) 是为了浮点数能使用整数排序函数来进行排序

舍入
我们还可以看到32位的浮点数，frace的位数是23，那么如果一个小数表示为二进制数，一直除不尽，浮点移位后 frace > 23呢？怎么办？
舍入。根据IEEE754的标准是向最接近的能精确表示的小数舍入，如果最精确的有两个，就向最低位是偶数舍入。

这样可以保证50%的情况是向上舍入，50%是向下舍入，不会在计算这些数的平均值时带入偏差。

好吧，还是《深入理解计算机系统》第二章说的，它有详细地介绍。但是我已经放弃了。哈哈哈.......

浮点数不能直接比较相等

由于浮点数的非精确存储，所以两个浮点数不能直接比较相等。

未必。这里，请允许我插入一张图-----轮子哥在知乎的回答。

由于浮点数的非精确存储，带来的问题通常是在计算时引起的。并且实际上计算的顺序也会影响丢失的精度范围。而对于未经过计算的，总不可能上一行代码中的二进制表示法和下一行的就不一致了。他就算不精确存储也应该有同一种相同的舍入策略(指存储时的舍入策略，而非计算时的截断策略)。所以，对于未经过计算的数值大可放心地直接进行数值比较。
常见场景：用户输入一个小数，判断是否小于等于一个常量(小数)。这种可以放心地使用 <=

那么如果对于经过计算的浮点数，要如何比较是否相等呢？
上一段熟悉的代码，大一在机房看到比较两个数是否相等要取绝对值 < 0.00001 一脸懵逼.gif 影响深刻。

    #define EPSILON 0.000001    //根据精度需要
    if ( fabs( fa - fb) < EPSILON )
    {
            printf("fa<fb\n");
    }

为何要取0.00001? 好吧，我也在找这个答案。

浮点数与PHP

在PHP中如何比较浮点数
关于浮点数的比较PHP手册也有介绍

在PHP中，如果需要比较浮点数的大小，可以使用bccomp()函数进行比较。
bccomp()其实是BCMath提供的一个函数。如果你需要更精确地进行浮点数的运算，都在BCMath中可以找到对应的函数。

值得一提的还有这段：

 2^ (-16) = 0.0000152587890625   => 接近于精度  0.00001

这会不会就是浮点数比较大小的epsilon 要取0.00001的由来?

PHP中没有整型溢出，浮点数也不会溢出。
与传统的强类型语言不同，php中并不会出现整型溢出现象。当一个int型的数溢出时会自动转为float类型，当一个float类型的数溢出时会维持float所能表达的最大值。

第一次发现这个是因为大三学单片机，调C代码的下溢bug。然后就很好奇在php中如果int类型的数是否有溢出的问题。用上面的代码测了一下，发现结果并没有，这个具体是怎么做到的，我也很好奇。就先把坑挖在这里留待以后解决吧。

以上就是我对浮点数的一些思考。由于作者见识有限，文中难免纰漏繁多。欢迎读者交流指正。

参考阅读：

浮点数杂想原创