深入理解Java浮点数机制【详析】

什么是浮点数

浮点数是在计算机中用以近似的表示任意的某个实数。具体的说，这个实数由一个整数或定点数（即尾数），乘以某个基数（计算机中通常为2）的整数次幂得到的，这种表示方法类似于基数为10的科学记数法。

 

为什么要用浮点数

在看到本文之前，想必大家对整型数据类型已经有了一定的了解。然而在实际生活中，又或者程序编写中，不可避免的需要使用到小数。那么，在计算机小数究竟是怎样存储和运算的呢？

科班出身的同学对这个问题应该有所了解。实际上，运算器本身并不能处理小数，计算机也无法准确的存储和表示小数。这里以一个16位的变量为例空间，请大家思考一下，怎么用这样大小的空间去表示一个小数呢？

最简单的想法，就是模仿现实生活中小数的表示形式，将小数点固定在某个位置，小数点前表示整数，小数点后表示小数。这也即是数的定标。

通过将小数点设定在16位数的不同的位置，就可以表示不同大小和精度的小数。

数的定标有Q表示法和S表示法两种。下面给出16位空间的不同Q/S表示的范围。

Q表示	S表示	数据范围
Q15	S0.15	-1<= x <=0.9999695
Q14	S1.14	-2<= x <=1.9999390
Q13	S2.13	-4<= x <=3.9998779
Q12	S3.12	-8<= x <=7.9997559
Q11	S4.11	-16<= x <=75.9995117
Q10	S5.10	-32<= x <=31.9990234
Q9	S6.9	-64<= x <=63.9980469
Q8	S7.8	-128<= x <=127.9960938
Q7	S8.7	-256<= x <=255.9921875
Q6	S9.6	-512<= x <=511.9804375
Q5	S10.5	-1024<= x <=1023.96875
Q4	S11.4	-2048<= x <=2047.9375
Q3	S12.3	-4096<= x <=4095.875
Q2	S13.2	-8192<= x <=8191.75
Q1	S14.1	-16384<= x <=16383.5
Q0	S15.0	-32768<= x <=32767

从上表我们不难得知，对于定点数实现小数来说，数值范围和精度永远是矛盾的。一个变量若是想要能够表示比较大的数值范围，必须以牺牲精度为代价；而若是想提高精度，则数的表示范围就必须相应的减小。

正因为定点数表示小数所存在的缺陷，所以我们才会使用浮点数来表示小数。下面我们正式开始介绍浮点数的底层原理。

 

正规化

对于将某个实数表示为计算机浮点数，首先要将其正规化，也就是表示形如：

±1.bbbbb...×2^p

其中b是0或1，而p表示二进制数的指数位。第一位符号位也用0、1代表正负。接着将指数p加上移码表示为N位的二进制数。最后的M位用来存放1.bbbb...的部分，由于正规化表示时，最左边的部分总是1，所以实际上只需要M-1位来表示尾数即可。

 

移码

以上描述中有一个词：移码（exponential bias）。因为指数p有正有负，那么就需要拿出一位来指示符号，显然这样会造成不必要的浪费。给指数加上移码，就能保证结果总是一个非负数，也可以将指数部分的N位都利用起来。对于有N个指数位的浮点数，其移码为：

2^(N-1)-1

这里我们利用该公式，先将下文中将要提到的IEEE 754标准中的三种精度所对应的移码表示出来

精度	阶码	移码	二进制表示
float	8	127	0111 1111
double	11	1023	011 1111 1111
longdouble	15	16383	011 1111 1111 1111

以双精度浮点数double为例。双精度的指数位有11位，可以表示0~2047这个范围，那么，减去移码1023以后，可以指示的指数是-1023~1024，但由于-1023和1024另有他用（我们会在后文中详细叙述），所以双精度浮点数实际能表示的范围是-1022~1023。

 

IEEE 754标准

实际上，Java的两种浮点类型（float、double）所遵循的IEEE 754标准（IEEE浮点数算术标准）也是运用了以上的思想。

IEEE 754标准定义了32位和64位两种浮点数（其实还有一种80位的长双精度）。用科学计数法，以底数为2的小数来表示浮点数。

二进制浮点数是以符号数值表示法格式存储

对于32位浮点数float：第1位是数符S(表示底数的符号)，2~9位为阶码E，最后23位为尾数M。

同理的，对于64位浮点数double：第1位是数符S，2~12位为阶码E，用最后52位为尾数M。

对于80位浮点数longdouble（长双精度）：第1位是数符S，2~16位为阶码E，用最后64位为尾数M。

V = (-1)^S * (1+M) * 2^(E-127) （单精度）

V = (-1)^S * (1+M) * 2^(E-1023) （双精度）

 

机器ε（machine epsilon）

机器ε表示1与大于1的最小浮点数之差。不同精度定义的机器ε不同。以双精度为例，

双精度表示1是

1.000......0000（52个0） × 2^0

而比1大的最小的双精度是（其实还能表示更小的范围，后文中会提到，但并不影响这里的机器ε）

1.000......0001 × 2^0

也即

2^-52 ≈ 2.220446049250313e-16。所以它就是双精度浮点数的机器ε。

在舍入中，相对舍入误差不能大于机器ε的一半。

对于双精度浮点数来说，这个值为0.00000005960464477539。

所以在Java中double类型中连续8个0.1相乘，就会出现表示不精确的情况。

 

非正规化：0的表示

从正规化的定义中可知，无论如何浮点数都满足左边是1。但这就带来了一个严重的问题：0没有办法被表示。为此，可以使用非正规化的表示方法，即让最左边默认为0，再另尾数也全部为0，就可以表示0了。

那么什么情况下是非正规化、什么情况下又是非正规化呢?

这里我们通过指数来反映，前文中说过-1023和1024（实际上是0和2047）另作他用，实际上应用就在这个地方了：若指数部分为0时，尾数部分就不是1.bbbb...而是0.bbbb...。

进一步的说，对于非正规化，可以看成在正规化中，小数点向左移了一位。如：

1.bbbb...×2^-1023 = 0.1bbbb....×2^-1022

当然小数点后第一位不一定为1

综上，非正规化可以表示为

±0.b1b2b3....b52 × 2^-1022

也正因为非正规化后最左边不是1而是0，所以能表示更小的数。故双精度浮点数下，使用非正规化可以表示的最小的正数是

0.0....01 × 2^-1022

也即

2^-52 * 2^-1022 = 2^-1074

综上，得到三种精度的浮点数的取值范围

精度	最小正数	最大正数	最大负数	最小负数
float	2^-149	2^128	-2^-149	-2^128
double	2^-1074	2^1024	-2^-1074	-2^1024
longdouble	2^-16446	2^16384	-2^-16446	-2^16384

需要注意的是这个最小数和前文提到的机器ε是有区别的。比机器机器ε还小的数是可以通过非正规化表示出来的，但当它们与其他浮点数一起进行运算时，因为要转换成同一种格式（正规化形式）进行计算，从而可能会因为溢出而被舍弃。

最终造成的结果就是，尽管这些更小的数能够被表示，但是对于运算结果却没有影响。

 

无穷大与NaN

上面说到，在双精度浮点数中，指数为0表示非正规化，那么指数为2047（111 1111 1111b）时，就表示无穷大和NaN。

具体区别表现在，当指数是2047时，尾数全为0，就表示无穷大；当尾数不全为0就表示NaN（Not a Number），故NaN并不是一个数而是一族。

 

浮点数加法

浮点数进行计算时，要先将两个操作数的小数点对齐，也即将指数对齐后，相加再转为浮点数存储。这里最重要的一点是，尽管浮点数有位数限制，但是加法会在精度更高的寄存器中进行，以双精度浮点数为例，寄存器能够运算出比52位还要多的位数（临时数一般为longdouble精度——1符号位，15位阶码，64位尾数），但是在转回浮点数进行存储的过程中，多余的位数会被舍弃，造成两者相加的结果不严格的等于算术结果。

如： 1 + 2^-53

= 1 * 2^0 + 1* 2^-53

= 1 * 2^0 + 0.00...001(小数点后52个0) * 2^0

= 1.00..001(小数点后52个0) * 2^0

= 1.00..00(小数点后52个0) * 2^0(转储为双精度浮点数时，只能保存52位二进制尾数)

= 1

对于数学运算来说。任何一个数加另一个非0数，都大于它本身。

这里就可以看出进行浮点数运算的不精确。

 

εmath = 2^-52并不代表在IEEE模型中可以忽略比εmath 更小的数，只要它们在模型中能被正确标识出来，假定它们没有与单位大小的数相加减，那么用这样大的数进行计算就如同精确的一样。

 

浮点数舍入规则

以52位尾数的双精度浮点数为例，舍入时需要重点参考第53位。

若第53位为1，而其后的位数都是0，此时就要使第52位为0；若第52位为0则不用再进行其他操作，若第52位为1，则第53位就要向52位进一位。

若第53位为1，但其后的位数不全为0，则第53为就要向第52位进一位。

若不是以上两种情况，也即53位为0，那么就直接舍弃不进位，称为下舍入。

浮点数舍入规则也就证明了为何在上文中提到的浮点数舍入中，相对舍入误差不能大于机器ε的一半。

 

对于java来说，一般float类型小数点后保留7位，而double类型小数点后保留15位。

这个原因也是因为尾数的数据宽度限制

对于float型来说，因为2^23 = 8388608

同时最左一位默认省略了，故实际能表示2^24 = 16777216个数，最多能表示8位，但绝对精确的只能表示7位。

而对于double型来说，2^52 = 4503599627370496，共16位。加上省略的一位，能表示2^53 = 9007199254740992。故double型最多能表示16位，而绝对精确的只能表示15位。

 

浮点数的存储为什么是不精确的

从上文中，我们不难了解，浮点数的运算会因为数据范围问题而产生溢出，进而被舍弃，从而造成计算结果不精确。

但我们还需要知道的是，浮点数不仅仅在计算时不精确，在存储时也并不精确。想要了解原因，我们先来简单了解一下关于浮点数十进制转化为二进制的规则：

整数部分除二取余，倒序输出；小数部分乘二取整，正序输出。

举个栗子：

12.125（10）

根据以上规则

其整数部分为1100

小数部分为001

得到其二进制小数1100.001

这样看并没有不精确的情况，但是我们换一个数来进行计算

再举个栗子：

12.6

其整数部分为1100

小数部分为100110011001...

其小数部分的计算过程为1.2 -> 0.4 -> 0.8 -> 1.6 -> 1.2 -> 0.4 -> 0.8 ...

这是无限循环的，可以预见，当其数据宽度超过double型尾数所能容纳的52位时，新的问题出现了——由于溢出，多余的位数无法被表示。12.6在计算机中的存储变的不精确了。

然而这样的情况并不少见。所以大部分时候计算机并不能精确的存储一个浮点数。

 

总结

总的来说，浮点数在计算机中是以一种类似科学计数法的方式（IEEE 754）存储和运算的。

浮点数的计算是不精确的——舍入误差和表示宽度溢出问题的存在

浮点数的存储也是不精确的——二进制存储小数的特性，超过精度后溢出的部分将不会被存储。于是出现误差。