计算机组成原理09——浮点数和定点数

定点数和浮点数

定点数

我们用4个比特来表示0到9的整数，那么32比特就可以表示8个这样的整数。然后我们把最右边的2个0到9的整数当成小数部分，把左边的6个0到9的整数，当成整数部分。这样32比特就可表示0~999999.99的1亿个实数了。

浮点数

32比特表示单精度的浮点数就是float或者float32类型。64比特表示双精度的浮点数就是double或者float64类型。

单精度32比特可以分成三部分。

第一部分符号位s，用来表示正负数。在浮点数里，所有的浮点数都是有符号的。

第二部分指数位e，8比特可以表示2_{255。其中1}254映射到-126~127。

第三部分有效数位f，23比特。

(-1)^s * 1.f * 2^e

这样的话，我们没有办法表示0。当e是0或255时有一下几种情况。

e	f	s	浮点数
0	0	0or1	0
0	！= 0	0or1	0.f
255	0	0	无穷大
255	0	1	无穷小
255	！= 0	0or1	NAN

浮点数的二进制转化

十进制浮点数9.1如何表示二进制？

这里的9换算成二进制后是1001。

和整数部分十进制转二进制除以2比，小数部分转换成二进制是乘以2。然后看看是否超过1。如果超过1，就记下1，并把结果减去1，进一步循环操作。这里0.1变成无限循环的二进制，0.000110011，0011会无限循环下去。

然后我们把整数部分和小数部分拼接在一起，9.1十进制数就变成了1001.000110011…。

再用浮点数表示变成了1.001000110011… * 2^3。

兑换成s+f+e，f不是精确值。再转成十进制，精度就会丢失。

浮点数的加法和进度损失

先对齐，再计算

对齐指的是指数小的向大的对齐，对齐后，再将有效位相加。

加法过程中，其中指数位较小的数，需要在有效位进行右移，在右移的过程中，最右侧的有效位被丢弃。这会导致在加法发生前，就丢失精度。

kahan Summation算法

如何解决进度丢失，就是用这个算法。这个算法的简单思想是：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，然后在后面的循环中，把这个精度损失放在要加的小数上，再做一次运算。