回想起刚学C语言时，我对浮点数的印象大概是“能够表示小数”的数据类型。还死记硬背过例如什么“小数用double存，用%f输出”这类的话。实际上呢，浮点数可以用这么一个公式来概括：

\[\sum_{k=-j}^i b_k×2^k
\]

除了我们所熟知的，表示小数之外，它对执行涉及非常大的数字、非常接近于0的数字，以及更普遍地作为对实数运算的结果的近似值，是非常有用的。

以下摘取一些书本中的内容：

20世界80年代，每个计算机制造商都指定了自己的表示浮点数的规则，以及对浮点数执行运算的细节。因此，这对不同的计算机之间的协同工作带来了很大的不便。这一切都随着IEEE 754标准的推出而改变了。这是一项由Intel公司赞助的计划，详细地制定了浮点数的表示方法和运算标准。因为其具有足够的合理性和先进性，被IEEE采纳为浮点数的标准，在1985年发布。目前，实际上所有的计算机都支持这个后来被称为IEEE浮点的标准。大大提高了各种程序在不同机器上的可移植性。

旁注：IEEE（读作“Eye-Triple-Eee”），指电器和电子工程师协会，是一个包括所有电子和计算机技术的专业团体。它出版刊物、举办会议、建立委员会来定义各种标准，涉及范围从电力传输到软件工程。

这一节中，我们将看到IEEE 754 浮点格式是如何表示数字的，以及有关的其他细节。许多程序员认为浮点数没甚意思（往坏了说，深奥难懂）。但我们将看到，IEEE标准是相当优雅和容易理解的。

二进制小数

理解浮点数的第一步是理解含有小数部分的二进制数字。对于我们熟悉的十进制来说，一个小数可以表示为

\[d_md_{m-1}...d_1d_0.d_{-1}d_{-2}...d_{-n}
\]

每个数位上面的数字的范围是0~9。上面的一长串表示法所表示的数值d为：

\[d = \sum_{i=-n}^m = 10^i×d_i
\]

十进制，意味着数字权为10。小数点左边的数字的权是10的正幂或0次幂，乘起来之后累加会得到整数部分的值。小数点右边的数字的权是10的负幂，乘起来之后累加会得到小数部分的值。下面举一个 $12.34_{(10)}$ 的运算过程作为例子。

\[1×10^1+2×10^0+3×10^{-1}+4×10^{-2} = 12\frac{34}{100}
\]

其实二进制小数不会很难理解，跟10进制不同的是，把10的幂次改成2的幂次，仅此而已。还有就是，二进制只有0和1组成。下面举一个$101.11_{(2)}$的运算过程作为例子。

\[1×2^2+0×2^1+1×2^0+1×2^{-1}+1×2^{-2} = 4+0+1+\frac{1}{2}+\frac{1}{4}=5\frac{3}{4}
\]

对于十进制小数的一些性质，完全能够在二进制小数中发现类似的。例如，对于十进制小数来说，把小数点右移一位相当于乘以10。那么，对于二进制小数来说，把小数点往右移一位相当于乘以2。

由于$0.111111....$ 非常接近于1，因此我们用 $1.0−ϵ$来表示。

很显然，任何编码长度都是有限的。十进制表示法是无法准确地表达像三分之一这样的无限循环小数。其究极原因是在于，如果把十进制小数想象成一种编码的话，那么这种编码方案的精度不够，所以无法准确地把三分之一表示出来（这个例子有点牵强，因为三分之一是无限循环的）。由此，我们可以想象，二进制数表示法只能表示那些能够被写成$x×2^y$的小数。例如，数字$\frac{1}{5}$可以被精确地表示成十进制小数0.2，但没办法用一个二进制小数准确地表示它，只能通过提高二进制表示位的长度来提高精度，从而近似地去表示。这是一个很重要的理念。

IEEE 754 浮点标准

在正式进入对754标准的讲解之前，我想先回到我之前在博客中提到过的一句话：

0和1这种离散值在用机器来表示时是非常方便的……虽然0和1是离散的，但大量的0和1，足够让我们认为是“连续”的。

什么叫做“大量的离散，足够让我们认为是连续的”呢？对于整数编码了解后，我们知道其实计算机能够表示的整数的范围很有限。但如果用比较长的字长，例如32位，那么对于普通人来说，他们日常需要用到的加减法是绝对够用了。但是，整数编码是表示不了特别大的数的，也不能表示特别小的负数、以及小数。例如，如果你用一个32位的int整型去存储计算阶乘!n的结果，那么计算到13的阶乘时就已经溢出了。即使你用long long去存，算到20的阶乘也就溢出了。

下面你将能够看到，浮点数不仅仅能表示小数，还具有表示特别大/特别小的数的能力。但通过二进制小数我们也了解到，不是每个数都能够被“精确”地表示，有的时候只能用另一个近似数通过“舍入”去表示，因此也增加了对于编码设计、数值分析方面的挑战性。综上所诉，我们可以这样认为：整型只能表示范围较小的数，但它能表示的每个数都是准确的。浮点数虽然能编码一个很大的范围，但这种表示只是近似的。

好了，废话不多说，下面介绍IEEE 754标准的内容。

IEEE浮点标准使用 $ V=(-1)^s×M×2E$ 的形式来表示一个数。

符号位（sign），与补码类似，s为1代表这个数为负，s为0代表这个数为正
阶码（exponent）E的作用是对浮点数加权，权重是2的E次幂。
尾数（significand）M是一个二进制小数，范围是$1到2−ϵ$（规格化）或者$0到1−ϵ$（非规格化）

标准浮点格式把位划分成三个字段，分别对上面这三种值进行编码

开头第一位代表符号位
接下来是k位的字段exp，编码的是阶码，但是结果要减去偏置值。（需要重点理解）
在接下来n位的小数字段frac，编码尾数M，但是编码出来的值依赖于这个数是规格化数or非规格化数（后面会解释，需要重点理解）

比较常见的是32位和64位的浮点数编码。在C语言中，32位对于的就是数据类型float，称为单精度浮点数（single precision）。64位的是double，称为双精度浮点数（double precision）。下面是他们的编码格式，具体的就是k和n位数的不同，看下图。

规格化和非规格化的值

规格化的值(Normalized Values)

在 exp≠000…0 和 exp≠111…1 时（阶码部分不全为0或全为1），表示的值就叫规格化值。到底规格化是什么意思呢？对于规格化数来说，用二进制数来表示时，原本连续的值会被规范到有限的定值上。如果把规格化的数放到数轴上表示，那他们之间的距离是不同的。（后面会举例子解释，现在不懂不用太担心）

对于规格化值，阶码字段（exp这部分）的编码区域的无符号值为e，但阶码E的值是$E = e - Bias$，注意这里不要把大小写e和E搞混。

Bias是指偏移量，值为$ 2^{k-1}-1 $，k是阶码字段的位数。

也就是说

单精度规格化数的Bias是127，e的范围是1 ~ 254，E的范围是-126 ~ 127
双精度规格化数的Bias是1023，e的范围是1 ~ 2046，E的范围是-1022 ~ 1023

之所以需要采用一个偏移量，是为了保证 exp 编码只需要以无符号数来处理。

还记得吗？阶码值E，是用来做浮点数的权。可以看到，这个权在float最大可以达到127，最小可以达到-126，double的范围就更大了，不知道比float高到哪里去了。想想看，用float可以表示的最大的数是表示为某个小数乘以2的127次方，这就是为什么浮点数可以表示很大的数与很小的数的原因，相比之下，int能存下的最大的数也就10的9次方啊。

对于小数字段frac，它就是描述小数值f，0≤f≤1。而尾数M定于为 M = 1 + f。你也可以这样理解：M一定是一个以1开头的小数，形如 M=1.xxxxx.xx，那些 xxx 就是 frac 的编码部分。当 frac 全为0时 M 最小（M=1.0），当 frac 全为1时 M 最大（M=2-ϵ）。之所以采取这种方式，是因为如果阶码没有溢出，我们总是可以调整阶码（想象一下，也就是移动小数点的位置）来把尾数控制在 1≤M＜2 之间。这种方式就是轻松获得一个额外精度位的技巧。也可以理解为：开头的1是白送的，不需要额外的编码位。

举个例子：

int x = 12345；

printf("%f",(float)x);

在强制类型转换时，到底发生了什么呢？

首先，用二进制来表示十进制的12345：

\[12345_{10}=11000000111001
\]

将其小数点左移13位，创造一个规格化的形式：

\[12345 = 1.1000000111001_2 × 2^{13}
\]

那么，构造float型的32位浮点数编码：

正数，所以符号位为0
阶码的值E为13，E = e - Bias， e = E + Bias = E + 127 = 140。所以阶码字段就是140的八位二进制表示，即10001100，这就是exp字段。
将上述规格化形式的小数部分，后续添0添到23位，也就是添10个0，构造frac字段，即10000001110010000000000

将其组合在一起，就形成了32位单精度浮点数12345的编码：

0  10001100  10000001110010000000000

s    exp            frac

非规格化的值(Denormalized Values)

当阶码域exp全为0时，所表示的数就是非规格化形式。这里的意思是，原本用二进制表示的连续值，它们之间的间距是一样的。

在这种情况下有两点不同。对于阶码字段，阶码值E改成了E = 1 - Bias。也就是说

单精度非规格化数的E是-126
双精度非规格化数的E是-1022

对于尾数字段，尾数的值是 M = f。也就是说，M不再是一个以1开头的小数，而是以0开头的小数。这所以这样设置是有原因的。首先，非规格化数定义了一种表示零的方法，如果使用规格化数，由于总有 M ≥ 1，那么我们就不能表示0。实际上，零的表示就是exp和frac字段全为0，因此，对于浮点数来说，还有正零和负零的区别。非规格化数的另一个用途就是表示非常接近零的数。这种机制实现了由最大非规格化数到最小规格化数的平滑转换。

特殊值

第一类是当exp全为1，frac全为0时，表示的值为无穷。当符号位 s = 1 代表负无穷，s = 0 代表正无穷。当小数域不是0，那就代表NaN（Not a Number），不是一个数，表示出错。例如计算-1开根号的值就是NaN。

实例分析

我们采取一位符号位，4位exp位，3位frac位，bias = 2^3-1 = 7的编码方式。

    s exp  frac   E   十进制值

------------------------------------------------------------------

    0 0000 000   -6   0   # 这部分是非规范化数值，下一部分是规范化值

    0 0000 001   -6   1/8 * 1/64 = 1/512 # 能表示的最接近零的值

    0 0000 010   -6   2/8 * 1/64 = 2/512

    ...

    0 0000 110   -6   6/8 * 1/64 = 6/512

    0 0000 111   -6   7/8 * 1/64 = 7/512 # 能表示的最大非规范化值

------------------------------------------------------------------

    0 0001 000   -6   8/8 * 1/64 = 8/512 # 能表示的最小规范化值

    0 0001 001   -6   9/8 * 1/64 = 9/512

    ...

    0 0110 110   -1   14/8 * 1/2 = 14/16

    0 0110 111   -1   15/8 * 1/2 = 15/16 # 最接近且小于 1 的值

    0 0111 000    0   8/8 * 1 = 1

    0 0111 001    0   9/8 * 1 = 9/8      # 最接近且大于 1 的值

    0 0111 010    0   10/8 * 1 = 10/8

    ...

    0 1110 110    7   14/8 * 128 = 224

    0 1110 111    7   15/8 * 128 = 240   # 能表示的最大规范化值

------------------------------------------------------------------

    0 1111 000   n/a  无穷               # 特殊值

观察表格，我们更好地可以理解之前的几个细节：

连续非规格化值之间的间距是一样的，上面这个例子中，都是差了1/512
连续的规格化值之间的间距不同。这是由于exp的不同而导致的。比方说最接近1的数字是15/16和9/8，分别相差1/16和1/8。
“浮点数能编码一个很大的范围，但这种表示只是近似的。”我们能想象，如果frac位的长度越长，那么对于小数表示的精度就能越高。如果exp位的长度越长，那么能够表示的范围就越大。

上面是一个数轴，表示的是这种编码方式下的能表示的数在数轴上排列的情况。可以看到，浮点数表示的范围是很大的，也能够表示特别大和特别小的数。但是数的分布不是均匀的——在数轴两端，数字比较稀疏；在越靠近原点的地方，数字越稠密。在最靠近原点的地方，是非规格化数。

舍入（rounding）

因为表示方法限定了浮点数不是精确的，因此浮点运算只能近似地表示实数运算。因此，对于某个运算结果x，我们需要想出一个系统的方法，找到一个能够用浮点编码表示的“最接近”的匹配值x1，用x1来表示运算结果。这就是舍入的任务。

浮点数采取的规则是舍入到偶数，即：将数字向上或向下舍入，使得结果的最低有效数字是偶数。舍入到偶数我认为可以这么理解：四舍六入，五到偶。

例如，我们要把一个一位小数舍入到整数位，那么1.4会舍入成1，1.6会舍入成2。如果是按照四舍五入的话，2.5和1.5会舍入成3和2。如果是按照舍入到偶数，那么2.5和1.5都是舍入成2的。

为什么倾向于采取这种方法？我们很容易想到这样的情景：用某种方法舍入一组数值，必然会在用这些数值做某种计算的时候产生误差，误差的类型依照舍入方法而不同。例如，如果都采取向上舍入，那么一组数据经舍入后，求这组数据的平均值，那么平均值肯定是偏大的。之所以采取舍入到偶数，可以认为舍入到偶数是一种比四舍五入更加“公平”的舍入方法，我们把中间值5，一半向上舍入，一半向下舍入，那么就在大多数的现实情况中避免了计算的统计偏差。

浮点运算

浮点加法

\[(-1)^{s1}M_1·2^{E_1} + (-1)^{s2}M_2·2^{E_2}
\]

结果：（这里假设 E1 ≥ E2）

\[(-1)^{s}M·2^{E}
\]

其中

\[s = s1 ∧s2，M = M1 + M2, E = E1
\]

如果两个浮点数的阶码不一样，那么首先要对阶。因为假设了E1 ＞ E2，所以可以把第二个数的小数点往左移动，然后增加E2的值。
尾数相加得结果M。
规格化，把M通过左移or右移小数点来表示为1.xxx的形式，并更新E的值。
如果不能完成规格化的操作，那么就是非规格化数。
如果超过了可以表示的范围，那么就是溢出。
最后把M舍入到frac的精度。

浮点乘法

\[(-1)^{s1}M_1·2^{E_1} × (-1)^{s2}M_2·2^{E_2}
\]

结果：

\[(-1)^{s}M·2^{E}
\]

其中

\[s = s1 ∧ s2，M = M1 × M2, E = E1+E2
\]

仍然需要进行规格化操作、也需要舍入、也有可能溢出。

浮点运算性质

对于浮点值x和y，如果对它们进行某种运算，那么计算的结果实际上是将精确的计算结果舍入后的结果。因此，浮点运算有以下几条重要的性质：

满足交换率，但不满足结合律

例如表达式（3.14 + 1e10） - 1e10的结果会是0.0——因为舍入的缘故，3.14就丢失了。然而，表达式3.14 + （1e10 - 1e10）会得到正确结果3.14

浮点加法满足单调性原则。

如果 a ≥ b ，那么对于任何的x值，除了产生NaN，都有x + a ≥ x + b。

浮点加法不具有可结合性。

（1e20 × 1e20）× 1e-20的值为正无穷，然而 1e20 × （1e20 × 1e-20）的值为1e20。

不具备分配性。

1e20 ×（1e20-1e20）的值为0.0，然而1e20 × 1e20 - 1e20 × 1e20会得到NaN。

int、float、double间的强制类型转换

在没有了解编码方面的细节前，我们对这个问题只能说知其然而不知其所以然。

int转换成float，数字不会溢出，但是可能被舍入。
int或float转换成double，因为double有比这两者都来得更大的范围，和更高的精度，所以能够保留精确的数值。
double转成float，范围会变小，有可能得到值正负无穷。由于精度也变小了，所以可能被舍入。
float或double转成int，值将会像零舍入。例如：1.999会变成1，-1.999会变成-1。值有可能溢出。C语言标准没有对这种情况制定固定的结果。

对于浮点数的一些总结，以及特殊的浮点数

第一章小结

好了，我们也看完了浮点数的全部内容，也就了解了信息在计算机内的存储方式这一章的全部内容。

我们从最基本的元素——bit开始，了解了整型和浮点数两个非常重要的数据类型的编码方式。只有了解了位的知识、以及编码方式，我们才可能对这些数据类型涉及的其他方方面面的概念，例如：掩码运算、强制类型转换、扩展、截断、舍入、溢出等等。如果不了解位，那么对于上述这些概念只能是知其然而不知其所以然（好吧，原谅我的词穷，这个词我好像在本篇博客中用了好几遍。。但我觉得知道深层的原理是很有帮助的）。

这些内容很重要，但我觉得比较好的学习方法是举例子来理解。这本书每个小节后面配有很好的题目，可以帮助大家理解这些知识点。

【CSAPP笔记】3. 浮点数