标签 "计算机基础" 下的文章

注：本文包含AI创作。

第一部分：浮点数的基础

一、定义与原理

浮点数是计算机科学中用于近似表示实数的一种方法。它们对于处理广泛的值特别有用，特别是在数值的大小超出整数所能表示的范围时。

  1. 表示实数：在现实世界中，许多量（如温度、距离或速度）可以是任意精度的实数。浮点数允许计算机以有限的数字位来近似这些数值。
  2. 构成：一个浮点数由三个部分组成：符号位（表明正负）、指数位（决定数值的规模或大小）和尾数位（提供实际数值的精确度）。
  3. 动态范围：通过分离数值的大小（指数）和精确度（尾数），浮点数能够覆盖非常大的范围，从非常小的数到非常大的数。

二、浮点数的内部表示（IEEE 754标准）

IEEE 754标准是一种广泛采用的标准，用于在计算机中表示浮点数。

  1. 标准格式：

    • 单精度（32位）：这种格式使用1位符号位、8位指数位和23位尾数位。
    • 双精度（64位）：在这种格式中，1位用于符号，11位用于指数，52位用于尾数。
    • 格式：| sign | exponent | fraction |
  2. 符号位：第一位是符号位，0表示正数，1表示负数。
  3. 指数位：指数位用于表示数值的大小。它是一个偏移的二进制表示，这意味着指数的实际值是指数位的值减去一个偏移量。

为什么指数位的值需要偏移量？
比如单精度浮点数，8位指数位可以表达256个数，但只能是非负数。
如果使用+127偏移量（也就是指数3用130表示），负数就可以直接表达，并且可以直接比较大小。

  1. 尾数位：尾数位（或称为有效位）提供了数值的精度。有两种情况：

    • 规约形式：在规约形式中，浮点数被表示为一个非零的数字，这个数字的小数点前有一个非零的数字（通常是1）。这样的表示确保了浮点数的精度和有效位数最大化。
    • 非规约形式：用来表达非常接近0的数字。在这种形式下，浮点数的表示允许尾数的最高位是0，这意味着可以表示比标准规约形式更小的数。

这个地方可能看着很奇怪，它的作用在于对接近 0 的数字提供更高的精度。

比如单精度浮点数 “0.000 ... 00102”，可以表示为 1.02 10^a，也可以表示为 0.000...102 10^b。

如果 a 溢出了，存不了更小的小表达负数（只能存 0，指数位有偏移，没有更小的数了），这个数就表达不了！

但是用 b 表达就可以装进 8 位指数位，也就可以保证精度了。

  1. 特殊值的表示：IEEE 754还定义了一些特殊值的表示方式，如正无穷大（+Infinity）、负无穷大（-Infinity）和非数值（NaN，Not a Number）。

第二部分：使用浮点数时的挑战和注意事项

  1. 精度问题

    • 浮点数由于精度的限制，有时候对计算会有一定的影响。

比如，二进制浮点数不能表达0.1和0.01，0.1的平方既不是准确的0.01，也不是最接近0.01的可表达的数。

浮点数也不能表达圆周率 pi，所以 tan(pi/2) 不等于正无穷，也不会溢出。

  1. 比较与运算

我一般是缩放一定的比例后转换成 int 再比较，GPT4 给了一个新的思路：

package main

import (
    "fmt"
    "math"
)

// FloatEquals 比较两个浮点数是否足够接近，以epsilon作为容差
func FloatEquals(a, b, epsilon float64) bool {
    return math.Abs(a - b) < epsilon
}

func main() {
    a := 0.1
    b := 0.2
    c := 0.3

    // 直接比较 - 往往不可靠
    fmt.Println("Direct comparison:", b+c == a) // false

    // 使用FloatEquals函数比较
    epsilon := 1e-9 // 定义一个足够小的epsilon值
    fmt.Println("Epsilon comparison:", FloatEquals(b+c, a, epsilon)) // true
}

  1. 特殊值的处理（+Inf、-Inf 和 NaN）

    • Go 语言如果你使用浮点数作为 map 的 key，你会发现 map[NaN] != map[NaN]！
    • 因为 NaN != NaN，所以哈希后也是不一致的，底层会加上随机数保证这一特性。
    • 最好不要直接用浮点数当作 key，除非你明确知道数据的形式。

  2. 数值稳定性问题

    • 在连续的运算中，尤其是涉及大量或小量级数值的运算时，精度损失可能会累积。

参考资料：