计算机基础（三）浮点数

什么是浮点数？

浮点数（Floating Point Number）是一种用来表示实数的方法，可以表示很大的数，也可以表示很小的数。它类似于科学计数法，将一个数分成两部分：有效数字（尾数）和指数。

科学计数法举例：

• ( 3.14 \times 10^2 )
• ( -0.00056 = -5.6 \times 10^{-4} )

在计算机中：

• 浮点数通常遵循 IEEE 754 标准。

---

浮点数的存储结构（以32位单精度为例）

符号位（Sign）	指数位（Exponent）	尾数（Mantissa/Significand）
1位	8位	23位

• 符号位：0表示正数，1表示负数
• 指数位：采用偏移量（Bias，单精度为127）表示
• 尾数：实际有效数字，隐含一个前导1（除非是特殊值）

举例说明：

• 一个单精度浮点数的二进制表示：0 10000001 10010010000111111011011
  • 符号位：0（正数）
  • 指数位：10000001（二进制），即129，实际指数 = 129 - 127 = 2
  • 尾数：10010010000111111011011，实际值约为 1.5707963705

---

计算机浮点数的特点

1. 精度有限：浮点数不能精确表示所有实数，会有舍入误差。
2. 范围大：可以表示很大的数和很小的数。
3. 特殊值：有正负零、无穷大（Infinity）、非数（NaN）等特殊值。
4. 运算不完全遵循数学规律：比如 ( (a + b) + c \neq a + (b + c) )（因为精度误差）。

---

IEEE 754标准

• 单精度（float）：32位
• 双精度（double）：64位

---

常见问题

• 为什么有精度误差？
  由于二进制不能精确表示某些十进制小数，比如0.1。
• 如何避免浮点误差？
  尽量避免直接比较两个浮点数是否相等，可以判断它们的差值是否小于一个很小的阈值。

1. 浮点数的编码方式举例

以单精度浮点数（float，32位）为例，假设我们要表示十进制数 -6.5：

步骤一：符号位

• 因为是负数，符号位为 1

步骤二：转换为二进制

• 6.5 的二进制表示：
  • 6 = 110
  • 0.5 = 0.1
  • 所以 6.5 = 110.1

步骤三：规格化（科学计数法）

• 110.1 = 1.101 × 2³

步骤四：确定指数

• 指数部分为 3
• 单精度偏移量为 127，所以存储的指数值为 3 + 127 = 130
• 130 的二进制为 10000010

步骤五：尾数部分

• 规格化的小数部分（去掉前面的1），即 10100000000000000000000（23位）

步骤六：最终编码

符号位	指数	尾数
1	10000010	10100000000000000000000

最终的二进制表示为：
1 10000010 10100000000000000000000

---

2. 浮点数的特殊值

浮点数不仅能表示普通的实数，还能表示一些特殊值：

• 正零/负零：符号位不同，数值都是零
• 正无穷/负无穷：指数全为1，尾数全为0
• NaN（Not a Number）：用于表示未定义或不可表示的值（如0/0），指数全为1，尾数不全为0
• Denormalized（非规格化数）：用于表示极小的数，指数全为0

---

3. 浮点运算的误差来源

为什么会有误差？

• 有些十进制小数无法精确转换为二进制（如0.1）
• 尾数位数有限，导致舍入
• 运算过程中会不断累积误差

示例：

float a = 0.1;
float b = 0.2;
float c = a + b; // c并不等于0.3，而是略有偏差

---

4. 浮点数比较的正确姿势

由于误差，直接用==比较两个浮点数可能会失败。正确方法是判断它们的差是否小于某个很小的阈值：

if (fabs(a - b) < 1e-6) {
    // 可以认为a和b相等
}

---

5. 浮点数的实际应用

• 科学计算
• 图形处理
• 机器学习
• 金融计算（但如果需要高精度，常用定点或高精度库）

---

6. 双精度浮点数（double）

• 64位
• 符号位：1位
• 指数位：11位（偏移量1023）
• 尾数：52位

---

7. 浮点数运算的陷阱

• 精度丢失
• 溢出和下溢
• 比较大小不准确
• 非数（NaN）传播

8. 浮点数的底层实现细节

A. 内存布局

浮点数在内存中是以二进制形式存储的。例如，float类型占4字节（32位），double类型占8字节（64位）。你可以通过类型转换查看底层的二进制：

float f = -6.5;
unsigned int* p = (unsigned int*)&f;
printf("%08x\n", *p); // 查看底层存储

B. 字节序问题

不同的计算机体系结构（如 x86、ARM）可能采用不同的字节序（大端/小端），这会影响浮点数在内存中的存储顺序。通常在高层应用中无需关心，但在底层数据交换（如网络通信、文件存储）时需注意。

---

9. 浮点数的运算规则

A. 运算顺序与精度

浮点数运算不是严格遵循数学的结合律和分配律。例如：

• ((a + b) + c \neq a + (b + c))
• ((a \times b) \times c \neq a \times (b \times c))

这是因为每次运算都可能有舍入误差。

B. 溢出与下溢

• 溢出（Overflow）：结果超出浮点数能表示的最大值，变为无穷大（INF）。
• 下溢（Underflow）：结果非常接近零，变为非规格化数或零。

C. NaN的传播

任何涉及NaN的运算结果都是NaN。例如：

float x = 0.0/0.0; // NaN
float y = x + 1.0; // 仍然是NaN

---

10. 常见浮点数陷阱

A. 精度损失

某些运算可能导致显著的精度损失。例如：

float a = 1e20;
float b = 1.0;
float c = a + b - a; // c的结果不是1.0，而是0.0

原因是a + b的结果由于a远大于b，b被舍入掉了。

B. 不能精确表示的数

如0.1、0.2等十进制小数无法精确用二进制浮点数表示，导致累加误差：

float sum = 0.0;
for (int i = 0; i < 10; ++i) {
    sum += 0.1;
}
printf("%.20f\n", sum); // 结果不是1.0，而是接近但略有偏差

C. 比较陷阱

直接用==比较浮点数几乎总是错误的，应使用容差：

if (fabs(a - b) < 1e-6) { /* ... */ }

---

11. 工程应用中的浮点数处理

A. 金融领域

通常不使用浮点数做金额计算，因为精度问题可能导致严重后果。一般采用定点数或高精度库（如BigDecimal、Decimal等）。

B. 科学计算/机器学习

浮点数是主力类型，但需要注意数值稳定性。例如，避免大数和小数混合运算、避免连续减法等。

C. 图形渲染

大量使用浮点数进行坐标、颜色、变换等计算。误差会影响图像质量，但一般可接受。

---

12. 补充：浮点数的进阶话题

A. 三种舍入方式

IEEE 754标准定义了几种舍入方式：

• 最近偶数舍入（默认方式，round to nearest even）
• 向零舍入（truncate）
• 向上舍入（ceil）
• 向下舍入（floor）

B. SIMD与浮点数

现代CPU支持SIMD（如SSE、AVX），可以并行处理多个浮点数，提高性能。

C. 高精度浮点数

如long double、quadruple precision等，能表示更大的范围和更高精度，但速度较慢。

---

13. 浮点数相关的经典面试题

1. 为什么0.1不能用float精确表示？
2. 如何比较两个浮点数是否相等？
3. 为什么金融领域不用float/double？
4. IEEE 754浮点数的结构是什么？
5. float和double的精度和范围各是多少？

14. 浮点数的进阶特性

A. 浮点数的精度与有效数字

• float（单精度）：约7位十进制有效数字
• double（双精度）：约15~16位十进制有效数字
• long double：平台相关，一般比double更高

示例：

float a = 123456789.0f; // 实际存储时会丢失部分精度
double b = 123456789.123456789;

B. 浮点数的最大/最小值

• float最大值：约 (3.4 \times 10^{38})
• double最大值：约 (1.8 \times 10^{308})
• float最小正值：约 (1.4 \times 10^{-45})
• double最小正值：约 (4.9 \times 10^{-324})

---

15. 编程语言中的浮点数注意事项

A. Python

Python的float实际上是C语言的double，精度较高。

a = 0.1 + 0.2
print(a) # 输出0.30000000000000004

• 直接比较浮点数要用math.isclose()或abs(a-b) < 1e-9

B. Java

Java的float和double严格遵循IEEE 754标准，且有BigDecimal类用于高精度计算。

C. C/C++

C/C++允许直接访问底层二进制，可以用union或类型转换查看浮点数的存储形式。

---

16. 数值分析中的浮点数问题

A. 数值稳定性

某些计算方法对浮点数误差非常敏感。例如，两个很接近的数相减，可能导致有效数字大量丢失。

例子：

double a = 1.0000001;
double b = 1.0000000;
double c = a - b; // 结果只有一位有效数字

B. 累加误差

大量小数累加会积累误差。常见解决方法是用Kahan求和算法（补偿算法）：

double sum = 0.0;
double c = 0.0;
for (int i = 0; i < n; ++i) {
    double y = arr[i] - c;
    double t = sum + y;
    c = (t - sum) - y;
    sum = t;
}

---

17. 浮点数的经典案例分析

A. 0.1的存储与误差

0.1的二进制表示是一个无限循环小数，因此float/double只能近似表示它。

Python示例：

from decimal import Decimal
print(Decimal('0.1') + Decimal('0.2')) # 精确输出0.3
print(0.1 + 0.2) # 输出0.30000000000000004

B. 浮点数排序与比较

排序时如果直接用==可能出现问题，尤其是涉及计算结果的比较，推荐用容差判断。

C. 金融、会计系统的浮点陷阱

实际开发中，金额推荐用整数（分、厘）或高精度库，避免浮点误差导致账目不平。

---

18. 浮点数与硬件

A. 浮点运算单元（FPU）

现代CPU有专门的FPU（Floating Point Unit），负责浮点运算。FPU支持多种精度和舍入方式。

B. GPU与浮点数

GPU大量使用浮点数进行并行计算（如深度学习、图形渲染），但不同硬件支持的精度不同（如FP16、FP32、FP64）。

---

19. 浮点数的未来与扩展

• 高精度库：如MPFR、GMP、BigDecimal等，支持任意精度计算
• 定点数：在嵌入式、金融领域应用广泛
• 混合精度计算：AI领域常用低精度（如FP16）加速模型推理