如果a>0,那么1+a一定大于1吗?在数学上,答案是肯定的。但在计算机上,答案就与a的大小和浮点数的精度有关了。在matalb上,可以作以下计算:
>> a=1/2^52
a =
2.220446049250313e-016
>> 1+a>1
ans =
1
>> a=1/2^53
a =
1.110223024625157e-016
>> 1+a>1
ans =
0
可见,当a等于1/2^53时,1+a>1是不成立的。
IEEE754定义了单精度浮点数和双精度数浮点数,即float和double。float有32bit,double有64bit。它们都包括符号位、指数和尾数。
符号位 | 指数 | 尾数 | |
float | 31(1) | 30-23(8) | 22-0(23) |
double | 63(1) | 62-52(11) | 51-0(52) |
符号位有1bit,0表示正、1表示负。设一个数的指数是e,指数部分的值是bias+e。加上一个bias是为了表示负数。 float的bias是127,double的bias是1023。指数全0或全1有特殊含义,不算正常指数。
这里的指数是以2为底的,同样尾数也是二进制的。IEEE754要求浮点数以规范形式存储,即小数点前有1位非零数字。 对于二进制数,非零数字只有1。所以IEEE754在存储时省略了这个小数点前面的1,只存储小数点后面的位。
看个例子,设:
double a=0.2;
在PC上,我们可以看到a对应的存储区数据是:
9A 99 99 99 99 99 C9 3F
PC的数据是小尾的,即低位字节在后,将其写成高位字节在前,得到:
3F C9 99 99 99 99 99 9A
可见符号位为0。指数位是0x3FC,即1020,减掉1023,得到指数-3。尾数是999999999999A。所以完整的数字就是16进制的1.999999999999A乘上2^-3。即:
a=(1+9*(1/16+1/16^2+...+1/16^12)+10/16^13)*2^-3
(1/16+...+1/16^12)可以用等比级数求和公式a1*(1-q^n)/(1-q)计算,其中a1=1/16,q=1/16,n=12,因此:
a=(1+9*(1-1/16^12)/15+10/16^13)*2^-3
用windows的计算器计算上式,得到
a=0.2000 0000 0000 0000 1110 2230 2462 5157
这也不是精确解,但已经可以看到用double表示0.2时存在的误差。这个例子说明在用有限字长的二进制浮点数表示任意实数a可能引入误差。 设实数a的指数为e,尾数位数为n,显然:
误差<(1/2^n)*2^e
可以把机器精度定义为满足条件
fl(1+ε)>1
的最小浮点数ε。其中fl(1+ε)是1+ε的浮点表示。显然double的机器精度是1/2^52。float的机器精度是1/2^23。 matlab内部采用double,1+1/2^53对double来说就是1,所以1+1/2^53不会大于1。
对于规范数来说,因为小数点前默认有个1,所以float的有效数字是24bit,对应8位十进制有效数字; double的有效数字是53bit,对应16位十进制有效数字。
前面提到浮点数的指数全0或全1有特殊含义,让我们来看看这些特殊的浮点数:
在计算机内部,double就是一个64位数。从0x0000 0000 0000 0000~0xFFFF FFFF FFFF FFFF,每个64位数都对应一个浮点数或NaN。 我写了一个小程序,按照64位无符号整数的顺序打印出典型的浮点数。 表格的第一列是浮点数的内部表示。为了便于阅读,按大尾顺序输出。第二列是对应的浮点数。 第三列是注释,对于非规范数和规范数给出了由内部表示计算数值的matlab算式。 注意在C/C++中,2^52要写成pow(2.0,52.0)。
0000 0000 0000 0000 | 0.0000000000000000e+000 | +0 |
0000 0000 0000 0001 | 4.9406564584124654e-324 | 1/(2^52)*2^-1022 |
000F FFFF FFFF FFFF | 2.2250738585072009e-308 | .5*(1-.5^52)/(1-.5)*2^-1022 |
0010 0000 0000 0000 | 2.2250738585072014e-308 | 1.0*2^-1022 |
0010 0000 0000 0001 | 2.2250738585072019e-308 | (1+1/2^52)*2^(-1022) |
001F FFFF FFFF FFFF | 4.4501477170144023e-308 | (1+.5*(1-.5^52)/(1-.5))*2^-1022 |
0020 0000 0000 0000 | 4.4501477170144028e-308 | 1.0*2^-1021 |
3FF0 0000 0000 0000 | 1.0000000000000000e+000 | 1.0 |
3FF0 0000 0000 0001 | 1.0000000000000002e+000 | 1.0+1/(2^52) |
3FFF FFFF FFFF FFFF | 1.9999999999999998e+000 | 1+.5*(1-.5^52)/(1-.5) |
4000 0000 0000 0000 | 2.0000000000000000e+000 | 1.0*2^1 |
7FEF FFFF FFFF FFFF | 1.7976931348623157e+308 | (1+.5*(1-.5^52)/(1-.5))*2^1023 |
7FF0 0000 0000 0000 | 1.#INF000000000000e+000 | +INF |
7FF0 0000 0000 0001 | 1.#SNAN00000000000e+000 | SNaN |
7FF7 FFFF FFFF FFFF | 1.#SNAN00000000000e+000 | SNaN |
7FF8 0000 0000 0000 | 1.#QNAN00000000000e+000 | QNaN |
7FFF FFFF FFFF FFFF | 1.#QNAN00000000000e+000 | QNaN |
8000 0000 0000 0000 | 0.0000000000000000e+000 | -0 |
8000 0000 0000 0001 | -4.9406564584124654e-324 | -(1/(2^52)*2^-1022) |
800F FFFF FFFF FFFF | -2.2250738585072009e-308 | -(.5*(1-.5^52)/(1-.5)*2^-1022) |
8010 0000 0000 0000 | -2.2250738585072014e-308 | -(1.0*2^-1022) |
8010 0000 0000 0001 | -2.2250738585072019e-308 | -((1+1/2^52)*2^(-1022)) |
801F FFFF FFFF FFFF | -4.4501477170144023e-308 | -((1+.5*(1-.5^52)/(1-.5))*2^-1022) |
8020 0000 0000 0000 | -4.4501477170144028e-308 | -(1.0*2^-1021) |
BFF0 0000 0000 0000 | -1.0000000000000000e+000 | -1.0 |
BFFF FFFF FFFF FFFF | -1.9999999999999998e+000 | -(1+.5*(1-.5^52)/(1-.5)) |
C000 0000 0000 0000 | -2.0000000000000000e+000 | -(1.0*2^1) |
FFEF FFFF FFFF FFFF | -1.7976931348623157e+308 | -((1+.5*(1-.5^52)/(1-.5))*2^1023) |
FFF0 0000 0000 0000 | -1.#INF000000000000e+000 | -INF |
FFF0 0000 0000 0001 | -1.#SNAN00000000000e+000 | SNaN |
FFF7 FFFF FFFF FFFF | -1.#SNAN00000000000e+000 | SNaN |
FFF8 0000 0000 0000 | -1.#IND000000000000e+000 | QNaN |
FFFF FFFF FFFF FFFF | -1.#QNAN00000000000e+000 | QNaN |
从表中可以看到,double内部表示的设计是很有规律的,按照对应64位数的顺序依次为 +0、正非规范数、正规范数、正无穷大、符号位为正的NaN、-0、负非规范数、负规范数、负无穷大、符号位为负的NaN。
double内部表示的设计保持了浮点数的有序性。即:如果正double数a<正double数b,则a对应的64位无符号整数<b对应的64位无符号整数。 负数因为差了个符号,所以浮点数与对应整数的顺序相反。 float也有类似的规律。
float和int都是32bit,但float的尾数只用了23bit。int的精度高于float,float的表示范围大于int。float牺牲精度换取了更大的表示范围。 double的尾数是52bit,高于32bit的int,所以用dobule表示int不会有精度损失。 double是科学计算的常用类型,了解double的内在和限制,有助于我们更好地使用它。