Riguz：/* 还原 */

2023-12-18T15:48:23Z

还原

←上一版本		2023年12月18日 (一) 15:48的版本
第122行：		第122行：
	* [https://www.jianshu.com/p/e5d72d764f2f IEEE754表示浮点数]		* [https://www.jianshu.com/p/e5d72d764f2f IEEE754表示浮点数]
	* [http://www.binaryconvert.com/result_double.html?decimal=050057046051052051055053 Online Binary-Decimal Converter]		* [http://www.binaryconvert.com/result_double.html?decimal=050057046051052051055053 Online Binary-Decimal Converter]

			[[Category:Protocol]]
			[[Category:IEEE]]

Riguz：Riguz移动页面IEEE 754浮点数转换至IEEE 754，不留重定向

2023-12-18T15:47:45Z

Riguz移动页面IEEE 754浮点数转换至IEEE 754，不留重定向

←上一版本		2023年12月18日 (一) 15:47的版本
（没有差异）

Riguz：Riguz移动页面Blog:IEEE 754浮点数转换至IEEE 754浮点数转换，不留重定向

2023-12-18T15:28:33Z

Riguz移动页面Blog:IEEE 754浮点数转换至IEEE 754浮点数转换，不留重定向

←上一版本		2023年12月18日 (一) 15:28的版本
（没有差异）

imported>Riguz：一个小数的二进制是怎么样的呢？我们先看看一个二进制的小数怎么转换成十进制： $$ \begin{aligned} 11101.01011_{10} &= 1 \times 2^{4} + 1 \times 2^{3} + 1 \times 2^{2} + 0 \times 2^{1} + 1 \times 2^{0} + 0 \times 2^{-1} + 1 \times 2^{-2} + 1 \times 2^{-3} + 1 \times 2^{-4} + 1 \times 2^{-5} \\ &= 16 + 8 + 4 + 0 + 1 + 0 + \frac{1}{2} + 0 + \frac{1}{16} + \frac{1}{32} \\ &= 29.34375 \end{aligned} $$

2019-06-27T00:00:00Z

新页面

一个小数的二进制是怎么样的呢？我们先看看一个二进制的小数怎么转换成十进制：
$$
\begin{aligned}
11101.01011_{10} &= 1 \times 2^{4} + 1 \times 2^{3} + 1 \times 2^{2} + 0 \times 2^{1} + 1 \times 2^{0} + 0 \times 2^{-1} + 1 \times 2^{-2} + 1 \times 2^{-3} + 1 \times 2^{-4} + 1 \times 2^{-5} \\
&= 16 + 8 + 4 + 0 + 1 + 0 + \frac{1}{2} + 0 + \frac{1}{16} + \frac{1}{32} \\
&= 29.34375
\end{aligned}
$$

= IEEE 754=
[https://en.wikipedia.org/wiki/IEEE_754 IEEE 754] 标准中规定了浮点数在计算机中的表示方法，主要就是单精度(float)和双精度(double):

<pre>
S Exp Fraction
Single(32bit) ▯▮▮▮▮▮▮▮▮▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯
Double(64bit) ▯▮▮▮▮▮▮▮▮▮▮▮▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯
</pre>
其计算公式为：
$$
x = (-1)^{S}\times(1+ Fraction)\times 2^{(Exponent-Bias)}
$$
其中，Bias为[https://zh.wikipedia.org/wiki/IEEE_754#%E6%8C%87%E6%95%B8%E5%81%8F%E7%A7%BB%E5%80%BC 指数偏移值]，是一个固定值，即$Bias=2^{e-1} - 1$ 其中e为指数部分的比特长度。

* 单精度$Bias = 2^{7} - 1 = 127$
* 双精度$Bias = 2^{10} -1 = 1023$

举个例子，刚才我们算出来的小数可以这样表示：

$$
\begin{aligned}
29.34375 &= 11101.01011 = 11101.01011_{2} \times 2^{0} \\
&= 1.110101011_{2} \times 2^{4} \\
&= (-1)^{0} \times (1 + 0.110101011_{2}) \times 2^{131 - 127} \\
&= (-1)^{0} \times (1 + 0.110101011_{2}) \times 2^{10000011_{2} - 127} \\
&= (-1)^{0} \times (1 + 0.110101011_{2}) \times 2^{1027 - 1023} \\
&= (-1)^{0} \times (1 + 0.110101011_{2}) \times 2^{10000000011_{2} - 127} \\
\end{aligned}
$$

因此在计算机中，表示为：
<pre>
Float:
▯▮▮▮▮▮▮▮▮▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯
010000011110101011..............

Double:
▯▮▮▮▮▮▮▮▮▮▮▮▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯
010000000011110101011...........................................
</pre>
不足的部分补上0，即：$0100000111101010110000000000000_{2}=41eac000{16}$

除了正常的浮点数外，还有几个比较特殊的：

Description Float(32bit)
------------------ --------------------------------------------
Zero 0 00000000 00000000000000000000000
Negative Zero 1 00000000 00000000000000000000000
Infinity 0 11111111 00000000000000000000000
Negative Infinity 1 11111111 00000000000000000000000
Not a Number (NaN) 0 11111111 00001000000000100001000

= 十进制与二进制转换=
计算方式为，将小数的整数部分与2取余倒序排列；将小数部分与2取整正序排列。例如，将3.14转换为float:

- 首先将整数部分直接转换为二进制 $3_{10} = 11_{2}$
- $3\mod2 = \fbox{1}$
- $1\mod2 = \fbox{1}$
- 小数部分为0.14，不断乘以2后取整数部分，然后用小数继续乘以2直到值为1
- $0.14 \times 2 = \fbox{0}.28$
- $0.28 \times 2 = \fbox{0}.56$
- $0.56 \times 2 = \fbox{1}.12$
- $0.12 \times 2 = \fbox{0}.24$
- $0.24 \times 2 = \fbox{0}.48$
- $0.48 \times 2 = \fbox{0}.96$
- $0.96 \times 2 = \fbox{1}.92$
- $0.92 \times 2 = \fbox{1}.84$
- .....
- 重复以上步骤，得到$0.14_{10}=0.001000111101011100001010001111010..._{2}$

= 舍入操作=
对于尾数多余精度的情况，需要舍去多余的部分，但不是按照四舍五入的方式，而是按照”向偶舍入“的方式，意思就是，如果多余的部分大于0.5($0.5_{10} = 0.1_{2})$则最低位进1；如果小于0.5则舍去；如果正好是等于0.5则根据最低位判断，如果最低位是1则进位，否则舍去。这样按照统计学来看，对于一个小数有相同的机会进位或者被舍去。

例如对于上例中的3.14，我们可以得到：

$$
\begin{aligned}
3.14 &= 11.001000111101011100001010001111010..._{2} \\
&= 1.1001000111101011100001010001111010..._{2} \times 2^{1} \\
&= (-1)^{0} + (1 + 0.1001000111101011100001010001111010..._{2}) \times 2^{128 - 127} \\
&= (-1)^{0} + (1 + 0.10010001111010111000010{\color{blue}{10001111010...}}_{2}) \times 2^{10000000_{2} - 127} \\
&\approx (-1)^{0} + (1 + 0.1001000111101011100001{\color{red}1}_{2}) \times 2^{10000000_{2} - 127}
\end{aligned}
$$

因此3.14的float表示为：

<pre>
▯▮▮▮▮▮▮▮▮▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯▯
01000000010010001111010111000011
</pre>

= 还原=
那么，对于一个存储在磁盘上的浮点数，我们怎么将它加载到内存中来？对于C来说，实际也是采用的IEEE754标准(float, double)，所以实际上浮点数在内存中的表示是一致的，直接转换即可：

<syntaxhighlight lang="c++">
struct ConstantFloat {
mutable u4 bytes;
float &getValue() const {
return *reinterpret_cast<float *>(&bytes);
}
};
</syntaxhighlight>

参考：

* [http://sandbox.mc.edu/~bennet/cs110/flt/dtof.html Decimal to Floating-Point Conversions]
* [http://cs.boisestate.edu/~alark/cs354/lectures/ieee754.pdf IEEE 754 FLOATING POINT REPRESENTATION]
* [https://www.h-schmidt.net/FloatConverter/IEEE754.html IEEE-754 Floating Point Converter]
* [https://www.rapidtables.com/convert/number/binary-to-decimal.html Binary to Decimal converter]
* [https://www.jianshu.com/p/e5d72d764f2f IEEE754表示浮点数]
* [http://www.binaryconvert.com/result_double.html?decimal=050057046051052051055053 Online Binary-Decimal Converter]

IEEE 754 - 版本历史

Riguz：​/* 还原 */

Riguz：​Riguz移动页面IEEE 754浮点数转换至IEEE 754，不留重定向

Riguz：​Riguz移动页面Blog:IEEE 754浮点数转换至IEEE 754浮点数转换，不留重定向

Riguz：/* 还原 */

Riguz：Riguz移动页面IEEE 754浮点数转换至IEEE 754，不留重定向

Riguz：Riguz移动页面Blog:IEEE 754浮点数转换至IEEE 754浮点数转换，不留重定向