关于浮点数和IEEE754标准的一点理解

1.什么是浮点数？

小数点浮动的数，简称浮点数

2.浮点数的分类

float :单精度浮点数      （4字节）

double float :双精度浮点数       （8字节）

long double float 扩展双精度浮点数    （建议16字节）

3.对于long double float 具体字节长度的解释

 ANSI C并未规定long double float 的确切精度。所以对于不同平台可能有不同的实现。有的是8字节，有的是10字节，有的是12字节或更多

一般来说long double的精度要高于double, 至少相等，就像int和long int一样，记住与具体平台的实现有关。

4.在计算机中的存储方式

float的存储方式：符号位（S）+指数位（E）+小数位/有效数字（M）

doule float 的存储方式：符号位（S）+指数位（E）+小数位/有效数字（M）

由上图可见，二者在存储方式上一致的，都由三部分组成，只是指数位和小数位的长度不一样，从而导致表示的范围和精度不一样，篇幅有限，对于long double float 的存储方式未给出解释，具体可以查阅IEEE 754.

5.如何将一个浮点数转换为计算机内存储的内码形式

例如十进制数：25.5     对应的二进制形式为：11001.1  (如何将十进制浮点数转换为二进制，不在本文的讨论范围之类)，改写成相应的指数形式为：1.10011*2^4

25.5在float的精度范围内表示绰绰有余，假设我们用单精度浮点数来存储它，符号位S=0（正数），负数的符号位为1，8位指数位为127+4=131（其中127为指数的偏移量），至于为什么要加上偏移，且偏移为何偏偏为127的原因，我们后面会讨论，我们暂且按规定来，指数位131转换为二进制位：1000 0011，接下来小数位M=10011，原始的小数位应该是1.10011，为什么可以省略小数点前面的1呢?因为我们用来存储小数位的二进制bit位是有限的，而我们希望利用有限的二进制bit位来尽可能大存储浮点数的精度范围，因此我们可以将小数点前面的默认的1可以省略，只要我们在还原时记得加上小数点前面的1就可以。

因此25.5用float类型来存储的编码为：0   1000 0011    0000 0000 0000 0000 0010 011

如果是负浮点数只需要将最高位的符号位改为1，其他步骤一样。

6.浮点数的表示范围

我们知道float的指数范围为：E=（-126 ~+127）     而小数M的范围为：1<=M <2故可表示的最大正浮点数范围为2*2^(+127)，前面的2表示小数的最大范围，其实是取不到2的，这里考虑极值，通过计算器可得2*2^(+127) ≈1.7*10^(38)     ,而我们考虑最小值，-2*2^(+127) ≈ -1.7*10^(38) .可能有朋友会疑惑为什么最小值不考虑取指数的-126的情况？

其实我们想想：2*2^(-126)  ≈ 2.35*10^(-38)  是一个非常接近于0的数，而不是float的下限值。

因此我们得出了float型数的可表示范围为：（-1.7*10^(38)  ~    1.7*10^(38)）。

  而double float 的指数范围为：E=（-1022 ~+1023） 相应的我们可以计算出double的可表示范围为：（ -1.7*10^(308)  ~  1.7*10^(308)）

7.有效数字与精度范围是如何得来的？

我们知道float类型的浮点数的精度范围是6~7位有效数字，意指可以保证小数点后6~7的有效数字是准确的，再往后的小数位不能保证正确

而double类型的精度范围是15~16位有效数字，但这是如何得来的呢？

我们知道float的有效数字M=23位，可表示的范围为：0000 0000 0000 0000 0000 000  ~ 1111 1111 1111 1111 1111 111 转换成十进制数位（0 ~ 8388608）刚好为7位数，故可表示的精度范围为：1.0000000 ~ 1.8388608，故我们可以保证6位有效数字是绝对精确的，而七位有效数字不一定准确。

相应的double类型的有效数字M=51，可小数范围为：（0 ~  2^52 = 4503599627370496）刚好16位数字，故可表示的精度范围为：1.0000000000000000 ~ 1.4503599627370496 。故我们可以保证15位有效数字是绝对精确的，而16位有效数字不一定准确。

7.IEEE754对于小数M和指数E的一些特殊规定

a. 对于有效数字：1≤M<2，也就是说，M 可以写成1.xxxxxx 的形式，其中xxxxxx 表示小数部分。IEEE 754 规定，在计算机内部保存M 时，默认这个数的第一位总是1， 
因此可以被舍去，只保存后面的xxxxxx 部分。比如保存1.01 的时候，只保存01，等到读取的时候，再把第一位的1 加上去。这样做的目的，是节省1 位有效数字，以32 位浮点数为例，留给M 只有23 位，将第一位的1 舍去以后，等于可以保存24 位有效数字。

b. 指数E，情况就比较复杂。 

首先，E 为一个无符号整数（unsigned int）。这意味着，如果E 为8 位，它的取值范围为0~255；如果E 为11 位，它的取值范围为0~2047。但是，我们知道，科学计数法中的E 是可以出现负数的，所以IEEE 754 规定，E 的真实值必须再减去一个中间数，对于8 位的E，这个中间数是127；对于11 位的E，这个中间数是1023。比如，2^10  的E 是10，所以保存成32 位浮点数时，必须保存成10+127=137，即10001001。

c. 然后，指数E 还可以再分成三种情况：（1）E 不全为0 或不全为1。这时，浮点数就采用上面的规则表示，即指数E  的计算值减去127   （或1023），得到真实值，再将有效数字M 前加上第一位的1。 

（2）E 全为0。这时，浮点数的指数E 等于1-127 （或者1-1023），有效数字M 不再加上第一位的1，而是还原为0.xxxxxx 的小数。这样做是为了表示±0，以及接近 于0 的很小的数字。 
（3）E 全为1。这时，如果有效数字M 全为0，表示±无穷大（正负取决于符号位s）；如果有效数字M 不全为0，表示这个数不是一个数（NaN）。
注释：
        （以8 为指数位的float 类型为例，中间数（偏移量）为什么不取128，而要取127呢？）因为8 位二进制位所能表示的无符号整型的范围为：0000 0000 (0) ~ 1111 1111 (255)， 但是因为指数为全0 和全1 的情况要特殊用途，如下所述，所以实际可用的数要减去2 个，故可用的数的范围为1-254，但是我们的指数是有符号数，有正负之分因此我们必须将1-254 这254 个数平均分配表示正负的指数范围，因此，需要加入一个偏移量，有两种方案，一种是原指数偏移127 后在1-254 这个范围内，即实际的指数范围为[-126,127]，其中下限-126=1-127  （偏移量），上限127=254-127  （偏移量），此时表示的数的绝对值范围为： 
       下限：
         0 0000 0001 111 1111 1111 1111 1111 1111  （指数为-126+127=1，小数部分全为1）
        =1.111 1111 1111 1111 1111 1111 1111 1111*2^(-126)

       上限：
       0 1111 1110 111 1111 1111 1111 1111 1111  （指数为127+127=254，小数部分全为1）
       = 1.111 1111 1111 1111 1111 1111 1111 1111*2^(127)

        边界为：[1.2*10^(-38) ~ 1.7*10^(38)]

如果采用128 位的偏移量，则实际指数的范围为[-127,126],  其中下限-127=1-128（偏移量），上限126=254-128  （偏移量），此时表示的数的绝对值范围为：
       下限：
         0 0000 0001 111 1111 1111 1111 1111 1111  （指数为-127+128=1，小数部分全为1）
        =1.111 1111 1111 1111 1111 1111 1111 1111*2^(-127) 
       上限：
       0 1111 1110 111 1111 1111 1111 1111 1111  （指数为126+128=254，小数部分全为1）
       = 1.111 1111 1111 1111 1111 1111 1111 1111*2^(126)

        边界为：[5.9*10^(-39) ~ 8.5*10^(37)]
       由上可见，采用127 的偏移量时，表示的数的上限要大于采用128偏移量时，我们当然是希望浮点数表示上限的范围越大越好，故IEEE采用了127 的偏移量。

相应的double类型的浮点数的指数偏移量采用了1023的偏移量