一个超大数与一个超小数求和，会发生什么呢

背景

在计算机求和的过程中，一个大数和小数的相加会因为浮点数的有限精度，而导致截断误差的出现。所以在构建计算网格的时候，都要极力避免这样情形的发生，将计算统一在相对较近的数量级上。所以，当需要对一系列的数值做加法时，一个好的技巧是将这些数由大到小做排列，再逐个相加。

而如果一定要做出这样的大数与小数的求和，一个直观想法就是：大数部分和小数部分的高位相加，将剩余的小数部分作为单独的“补全”部分相加。这种直观想法的官方名称叫做__Kahan求和法__。

假设当前的浮点数变量可以保存6位的数值。那么，数值12345与1.234相加的理论值应该是12346.234。但由于当前只能保存6位数值，这个正确的理论值会被截断为12346.2，这就出现了0.034的误差。当有很多这样的大数与小数相加时，截断误差就会逐步累积，导致最后的计算结果出现大的偏差。

Kahan算法：

先上伪代码（看不懂不要着急，后面要逐一解释）：

def KahanSum(input):
    var sum = 0.0
    var c = 0.0
    
    for i = 1 to input.length do
        var y = input[i] + c    # 在新的输入中，加上之前累积的补全部分.
        var t = sum + y         # 此时，将这个新的输入加入到求和变量sum里时，会造成低位部分被截断
        c = y - (t - sum)       # 恢复上一步求和时被截断的低位部分，累积进入补全变量
        sum = t                 
    next i

    return sum

在上述伪代码中，变量c表示的即是小数的补全部分compensation，更严格地说，应该是__负的__补全部分。随着这个补全部分的不断积累，当这些截断误差积累到一定量级，它们在求和的时候也就不会被截断了，从而能够相对好地控制整个求和过程的精度。

以下，先用一个具体的理论例子来说明。比如，用

$$10000.0 + \pi + \mathcal{e}$$

来说明。

我们依旧假设浮点型变量只能保存6位数值。此时，具体写出求和算式应该是：

$$10000.0 + 3.14159 + 2.71828$$

它们的理论结果应该是10005.85987，约等于10005.9。

但由于截断误差，第一次求和

$$10000.0 + 3.14159$$

只能得到结果10003.1；这个结果再与2.71828相加，得到10005.81828，被截断为10005.8。此时结果就相差了0.1。

运用Kahan求和法，我们的运行过程是（记住，我们的浮点型变量__保存6位数值__），

第一次求和：

y = 3.14159 + 0.00000

t = 10000.0 + 3.14159
  = 10003.14159
  = 10003.1                      # 低位部分被截断，丢失

c = 3.14159 - (10003.1 - 10000.0) 
  = 3.14159 - 3.10000
  = (.0415900)                 # 恢复丢失的截断部分

sum = 1003.1

第二次求和：

y = 2.71828 + (.0415900)
  = 2.75985    # 将上一步的补全部分增加在新的输入上

t = 10003.1 + 2.75987
  = 10005.85987
  = 10005.9    # 当低位部分被累积得足够大后，它就不会被大数的求和所截断消失

c = 2.75987 - (10005.9 - 10003.1)
  = 2.75987 - 2.80000
  = -.040130

sum = 10005.9

实例

以上是理论分析。下面用一个可以运行的Python代码做示范，方便感兴趣的朋友做研究。

这个例子曾经出现于Google的首席科学家_Vincent Vanhoucke_在Udacity上开设的__Deep Learning__课程。

这个求和算式是：在$10^9$的基础上，加上$10^{-6}$，总共重复$10^6$次这个加法，再减去$10^9$，即

$$10^9 + 10^6*10^{-6} - 10^9$$

理论值显然应该为1。

summ = 10**9

for indx in range(10**6):
    summ += 10**(-6)

summ -= 10**9

print(summ)

# output: 0.95367431640625

运行后，可以貌似惊讶地看到结果竟然不是1，而是0.95367431640625！

这可以说明，在$10^6$次求和后，截断误差的累积量已经非常可观了。

运用Kahan算法做改进

如果我们用Kahan求和法来做改进，可以得到：

summ = 10**9

c = 0.0

for indx in range(10**6):
    y = 10**(-6) + c
    t = summ + y
    c = y - (t - summ)
    summ = t

summ -= 10**9

print(summ)

# output: 1.0

运行后，我们可以欣喜地看到正确结果：1.0。