计算机系统基础-学习记录2

乘法运算

范围：
对于无符号型：$0\le x\ast y\le (2^w-1{)}^2=2^{2w}-2^{w+1}+1$，最高位能到2w位（$2^{2w}$会排到2w+1位，但减去的$2^{w+1}-1\ge 1$，所以最多能排到2w位）
对于二补数的最小乘积：$x\ast y\ge (-2^{w-1})\ast (2^{w-1}-1)=-2^{2w-2}+2^{w-1}$，最高位能到2w-1位（$-2^{2w-2}$会排到2w-1位，加上符号位后排到2w位，而加上$2^{w-1}$后，最多排到2w-1位）
对于二补数的最大乘积：$x\ast y\le (-2^{w-1}{)}^2=2^{2w-2}$，最高位能到2w位，但只有x和y都取最小值时才会进位到这一位（原理同上）

需要延长字节才能保证计算结果的正确，这一点可以在"arbitrary precision"（高精度算法）包中得以实现

无符号型整数相乘

在C语言中，无符号型整数乘法运算（记作${\mathrm{U}\mathrm{M}\mathrm{u}\mathrm{l}\mathrm{t}}_w(u,v)$）只保留原有的w位bits，高位的w位会被截断，即：
$${\mathrm{U}\mathrm{M}\mathrm{u}\mathrm{l}\mathrm{t}}_w(u,v)=u\cdot v\mathrm{m}\mathrm{o}\mathrm{d}{2}^w$$

有符号型整数相乘

与无符号型相似，也是截断高位的w位，留下剩下的w位，记作${\mathrm{T}\mathrm{M}\mathrm{u}\mathrm{l}\mathrm{t}}_w(u,v)$

移位

左移位：乘法

u<< k的结果为$u\ast 2^k$（无符号型和二补数都一样）
移位后截去最高k位：${\mathrm{U}\mathrm{M}\mathrm{u}\mathrm{l}\mathrm{t}}_w(u,2^k)$和${\mathrm{T}\mathrm{M}\mathrm{u}\mathrm{l}\mathrm{t}}_w(u,2^k)$

右移位：除法

对于无符号型，使用逻辑移位时，u>>k的结果为$\lfloor u/2^k\rfloor$

对于二补数，使用算术移位时，u>>k的结果为$\lfloor u/2^k\rfloor$
对于负数而言，需要$\lceil u/2^k\rceil$的结果（向0取整），因此可以使用$\lfloor (x+2^k-1)/2^k\rfloor$进行计算，即：(x+(1<<k)-1)>>k

浮点数

如何表示

整数的最低位$b_0$右侧$b_{-1},b_{-2},\dots ,b_{-j}$，权重分别为$2^{-1},2^{-2},\dots$，因此，浮点数可以表示为：$\sum _{k=-j}^i{b}_k\times 2^k$

浮点数的位置表示形式为：
$$b_m{b}_{m-1}\cdots b_1{b}_0.b_{-1}{b}_{-2}\cdots b_{-n+1}{b}_{-n}$$

只能精确表示$x\times 2^y$形式的数，对于$\frac{1}{5}$之类的数只能近似表示

IEEE浮点数标准

使用位置表示来描述浮点数时，难以描述非常大的数字，因此，使用$x\times 2^y$的形式来表示。

IEEE确立了浮点型标准，使用3部分（参数）来表示：$V=(-1{)}^s\times M\times 2^E$。其中，s用于决定正负，M表示[0, 1-$ϵ$]或[1, 2-$ϵ$]之间的值（$ϵ$表示小量），E表示指数。

精度选项

单精度，由32-bits组成：s：1-bit；exp：8-bits；frac：23-bits;
双精度，由64-bits组成：s：1-bit；exp：11-bits；frac：52-bits;

其中，exp与E不同，frac与M不同，都有一定的转换关系

两种精度的图示如图1所示：

图1

根据exp值的不同，可以将这样的表示分为三类：规格化值、未规格化值、特殊值

规格化值（normalized）

此时，$exp\ne 000...0$，且$exp\ne 111...1$

E=exp-Bias
其中，Bias=$2^{k-1}-1$，k为指数部分所占的bits数
对于单精度而言，$Bias=2^{8-1}-1=127$，$exp=1\sim 254$，则$E=exp-Bias=-126...127$
对于双精度而言，$Bias=2^{11-1}-1=1023$，$exp=1\sim 2046$，则$E=exp-Bias=-1022...1023$

M=1.xxx…x${}_2$
其中，xxx…x表示frac区域的值
当frac=000…0时，M取最小值1.0
当frac=111…1时，M趋近于最大值2.0，即M=$2.0-ϵ$

使用biases的原因：需要进行比较操作，比较指数。如果全部移到正数，就很容易进行比较（使用一个与门即可比较）

举例：对于浮点数F=15213.0：
15213.0${}_{10}$=11101101101101${}_2$=1.1101101101101${}_2\times 2^{13}$
M=1.11101101101101${}_2$，frac=111011011011010000000000${}_2$（后面的位数用0补齐）
E=13，Bias=127，exp=140=1001100${}_2$
则最后F的表示形式如图2所示：

图2

非规格化值（denormalized）

此时，exp=000…0

E=1-Bias（与规格化值的E=exp-Bias不同）

M=0.xxx…x${}_2$

当exp=000…0，frac=000…0时，表示的是0
当exp=000…0，frac $\ne$ 000…0时，表示的是接近0的数

特殊值（special）

此时，exp=111…1

当exp=111…1，frac=000…0时，表示的是无穷大（包括正溢出和负溢出）
当exp=111…1，frac $\ne$ 000…0时，表示的是非数（Not-a-Number, NaN）