[我的C语言学习笔记（12）]浮点数储存方法与IEEE 754标准

这在前面其实是跳过了的，那时候觉得这部分内容太难所以没有学习，但是现在稍微可以看懂了一点，而且沟槽的大计基居然要学这个知识点，所以做个整理。

为什么小数不能准确存储

这其实是一个题外话，应该放在存储那篇来讲，但是那篇没有讲，所以在这里做一个补充。
这要涉及到进制转换的规则，例如将二进制数转换为十进制：
$$num=\sum _{i=1}^n{b}_i\cdot 2^{i-1}$$
这里的num就是得到的十进制数，而$b_i$是二进制数的第$i$位，$2^{i-1}$则是第$i$位的权重。将这一位上的数与这一位的权重相乘，再求和，就可以得到十进制数字。将那个$2$换成其他数字，比如说$8$，就可以达成八进制数与十进制数的转换。
在整数部分这种转换进行得很好，很明显每一个十进制整数都可以与一个二进制整数一一对应，它们可以相互转换。但是在小数部分，这件事就不一样了：

位	……	3	2	1	0	-1	-2	……
权重	……	4	2	1	0.5	0.25	0.125	……

这里的“0”指小数点右边第一位。

可以看到小数部分的权重很明显是不能表示所有的小数的。这就是小数不能准确表示的本质。

浮点数与定点数

C语言使用定点数格式来存储整形数据，包括int、short、long等等，而float和double类型的小数则使用浮点数格式来存储。
“浮点”“定点”中的“点”指的是小数点，“浮点”就是小数点是可以动的，用类似于科学计数法的方法来移动小数点；而定点就是小数点不能动，整数部分和小数部分分开存储。
在这一点上需要区分一下概念：浮点数不是小数，浮点数与定点数都是数据存储的方式，而非一种数据类型，其实小数可以用定点的方式存储，整数也可以用浮点的方式存储。

定点数

定点数是最符合直觉的方式；它用固定的位数来分别存储整数部分和小数部分，例如如果我们用4个字节来存储一个定点数，其中2个字节是整数部分，2个字节是小数部分，随后将要存储的小数转化为二进制，对应的部分放进去即可。

整数部分不足的位，在前面补0；小数部分不足的位，在后面补0.转化的时候，中间加一个小数点，就是所存储的数字。

精度

整数部分一定精确。小数部分除了最后一位可能不精确之外，其他位都是精确的。也就是说，精度在31位~32位。

范围

所有的位都置为1，此时数值最大，为：
$$num=\sum _{i=-15}^{16}1\cdot 2^{i-1}=\frac{2^{-16}(1-2^{32})}{1-2}=2^{16}-2^{-16}$$
这个数字接近$2^{16}$，也就是65536.而最小可以表示的数除了0之外就是$2^{-16}$。

总结

定点数的优点是精度高，因为所有的位都用来存储数字；缺点是取值范围小，不能表示很大或者很小的数字，有些有效位不多的数字却非常小，用定点数只能望洋兴叹，比如：$9\times 10^{-28}$这样的数字，就不能再用定点数表示了。可是它明明有效数字很小啊，所以有了浮点数这种方法。

浮点数

这也是C语言标准规定的小数的存储方式。本质上说，浮点数就是用了科学计数法：
$$num=(-1{)}^{sign}\times mantissa\times bas{e}^{exponent}$$
其中：

1. $num$是要表示的小数
2. $sign$是这个数字的符号（这点在定点数那里好像没有提及，但是也可以加上，是不影响前面的讨论的）
3. $base$是基数，或者说进制。
4. $exponent$是指数，一般就用十进制表示，指的是小数点的移动。
5. $mantissa$是尾数，或者说精度，是base进制的小数，并且$1\le mantissa<base$，在十进制下的科学计数法里，这个关系是：$1\le mantissa<10$，这样一比较就可以理解了。这个式子等价于表示说$mantissa$在这个进制下小数点前面只能有一位。

例如，转换19.625这个数字：

$$[19.625{]}_{10}=[10011.101{]}_2=1.0011101\times 2^4$$

存储

接下来我们将这个数存储到内存中。其中，$base$是不用存储的，需要存储的只有$sign$、$mantissa$和$exponent$。
对于19.625而言，$sign=0$，$mantissa=1.0011101$，$exponent=4$

1. $sign$的存储：只需要一个位就可以了。
2. $mantissa$的存储：通过前面的讨论，其实在二进制下，$1\le mantissa<2$，也就是说mantissa的整数部分一定是1，那么我们只需要存储其小数部分就可以了。不妨将其小数部分设为$mant$，即$mantissa=1.mant$留待后面讨论。
3. $exponent$的存储：指数是一个整形，并且是有正负号的，那么是否需要像前面所说的用补码等方法来存储它呢？其实这就是这整个方案中最为重要的部分，在后面再作讨论

内存分配

了解了需要存储的都是什么之后就可以开始分配内存了。C语言中float与double的内存模式如图：

符号直接放，尾数就按照前面所讨论的那样放入$mant$就可以了。
至于指数的存储方法，虽然是一个有符号的整数，但是没有采用前面的补码的方式（因为没有必要，太过麻烦），所以存储思路变成了“范围移动”。在float中，指数部分有8位，理论上可以表示0-255的值，在这里面没有负数，那如果我指定其范围为-127-128呢？这样没有溢出，与补码的方法不同，这样我只要在存储时将指数加上127，读取时在取出之后再减去127就可以了。这里的127我们称其为中间值，其计算公式为：
$$median=2^{n-1}-1$$
对于float而言，其中间值就是127，而double是1023.我们再设内存中存储的指数是$exp$，则其关系为：
$$exponent=exp-median$$
$$exp=exponent+median$$

精度

float 和 double 的尾数部分是有限的，固然不能容纳无限的二进制；即使小数能够转换成有限的二进制，也有可能会超出尾数部分的长度，此时也不能容纳。这样就必须“四舍五入”，将多余的二进制“处理掉”，只保留有效长度的二进制，这就涉及到了精度的问题。 也就是说，浮点数不一定能保存真实的小数，很有可能保存的是一个近似值。
总之，float的精度在二进制下是23-24位，十进制下是7-8位。double的精度在二进制下是52-53位，十进制下是15-16位。

IEEE 754 标准

这就是C语言的编译器所采用的浮点数标准。在这个标准中还有一些其他的特性。

特殊值

标准规定，当$exp$的所有位都是1时，这个浮点数不再是一个正常的浮点数，它将会用来表示特殊值。

1. 如果$mant$的所有位都是0，表示无穷大，正负与$sign$相关；
2. 如果$mant$不是所有位都是0，表示NaN(Not a Number)

非规格化浮点数

当$exp$的所有位都是0时：
转换公式由原来的：
$$mantissa=1.mant$$
$$exponent=exp-median$$
变成了：
$$mantissa=0.mant$$
$$exponent=1-median$$
可以看到$exponent$变成了恒定的值，float为-126，double为-1022.同时尾数前面的数也不再是1了，而是0.
在非规格化浮点数中，当尾数$mant$的所有二进制位都为0时，整个浮点数的值就是0.这时候如果$sign$是1，就是-0，反之为+0.

为什么要有非规格化浮点数

以float为例，对于规格化浮点数，最小的取值（这里指绝对值的取值，说成分辨率或许更好）是当$mant$都是0、$exp$的最低位为1时，取值为$1.0\times 2^{-126}$。
而对于非规格化浮点数，由于尾数前面的整数部分不再是1，它的最小取值会更小，这时的最小取值$mant$的最低位为1，整个最小取值再减小了$2^{-23}$，达到了$2^{-149}$，这个值会更加接近0.

整个数值过渡的过程如上表。

舍入模式

舍入模式的运用在于尾数的舍去。
总共有四种舍入模式：

1. 最近舍入：将结果舍入为最为接近且可以表示的值。当有两个最为接近的值的时候，取其中的偶数。
2. 向上舍入：将结果舍入为最为接近的、比原值大且可以表示的值。（即ceil()）
3. 向下舍入：将结果舍入为最为接近的、比原值小且可以表示的值。（即floor()）
4. 截断舍入：直接舍去多余的部分。