16~19章

最新推荐文章于 2023-01-29 10:49:33 发布

PaintD

最新推荐文章于 2023-01-29 10:49:33 发布

阅读量436

点赞数

分类专栏：深入浅出计算机组成原理文章标签：其他

本文链接：https://blog.csdn.net/PaintD/article/details/119995422

版权

深入浅出计算机组成原理专栏收录该内容

8 篇文章 0 订阅

订阅专栏

16 | 浮点数和定点数（下）：深入理解浮点数到底有什么用？

浮点数的二进制转化

十进制转为二进制的过程。例如：9.1

把整数部分转为二进制
把小数部分转为二进制
1. 小数部分x2后大于1则二进制该位填1
乘上指数进退位，去除首位保留有效位数
按格式填入
1. 符号位s+指数位e+有效位数f

1629743986186

浮点数的加法和精度损失

浮点数的加法：先对齐浮点数(小数有效位向右位移)，在计算有效位

1629744052391

丢失精度：在有效位进行右移的过程中，有效位中最右侧的数就被丢弃掉了。

两数相差的倍数超过有效位数则会被全丢弃

Kahan Summation算法

如何解决这个精度丢失问题呢？
解决：在每次的计算过程中，都用一次减法，把当前加法计算中损失的精度记录下来，在之后的计算中，先加上之前损失的精度再计算

示例代码

public class FloatPrecision {
  public static void main(String[] args) {
    float sum = 0.0f;
    for (int i = 0; i < 20000000; i++) {
    	float x = 1.0f;
    	sum += x;    	
    }
    System.out.println("sum is " + sum);   
  }	
}

对应的输出结果是：

sum is 1.6777216E7

public class KahanSummation {
  public static void main(String[] args) {
    float sum = 0.0f;
    float c = 0.0f;
    for (int i = 0; i < 20000000; i++) {
    	float x = 1.0f;
    	float y = x - c;
    	float t = sum + y;
    	c = (t-sum)-y;
    	sum = t;    	
    }
    System.out.println("sum is " + sum);   
  }	
}

对应的输出结果就是：

sum is 2.0E7

总结延伸

一般情况下，在实践应用中，对于需要精确数值的，比如银行存款、电商交易，我们都会使用定点数或者整数类型。

浮点数呢，则更适合我们不需要有一个非常精确的计算结果的情况。

对于浮点数加法中可能存在的精度损失，特别是大量加法运算中累积产生的巨大精度损失，我们可以用Kahan Summation这样的软件层面的算法来解决。

17-建立数据通路（上）：指令more运算=CPU

指令周期（Instruction Cycle）

Fetch（取得指令），也就是从PC寄存器里找到对应的指令地址，根据指令地址从内存里把具体的指令，加载到指令寄存器中，然后把PC寄存器自增，好在未来执行下一条指令。
Decode（指令译码），也就是根据指令寄存器里面的指令，解析成要进行什么样的操作（指令在内存是以二进制数字存储），是R、I、J中的哪一种指令，具体要操作哪些寄存器、数据或者内存地址。
Execute（执行指令），也就是实际运行对应的R、I、J这些特定的指令，进行算术逻辑操作、数据传输或者直接的地址跳转。

“Fetch - Decode - Execute”的循环，我们把这个循环称之为指令周期（Instruction Cycle）

1629744822952