20年前的几行代码竟如此牛逼？惊了

最近在知乎上看到了一个话题：世界上有哪些代码量很少，但很牛逼很经典的算法或项目案例？其中有一个回答是雷神之锤3中的快速逆平方根算法，我本以为是电影中雷神3中出现的代码，就特别好奇点进去看了一下，结果真是对应了代码注释中的一句话“what the fuck?”。

越不会越好奇，查过之后才知道这是一款游戏中的部分代码，1999年发布，2005年开源，距离现在已经有20年了，据说这部分代码出现在公共场合时，几乎震住了所有人，也就是下面这几行代码：

float Q_rsqrt( float number )
{
  long i;
  float x2, y;
  const float threehalfs = 1.5f;
  x2 = number * 0.5f;
  y  = number;
  i  = * ( long * ) &y;  // evil floating point bit level hacking
  i  = 0x5f3759df - ( i >> 1 ); // what the fuck?
  y  = * ( float * ) &i;
  y  = y * ( threehalfs - ( x2 * y * y ) ); // 1st iteration
  // y  = y * ( threehalfs - ( x2 * y * y ) ); // 2nd iteration, this can be removed
  return y;
}

可能很多程序员老手都知道这段牛B的代码，但对于很多人应该是空白的。求一个数的平方根我们通常会用到库中的内置方法，也就是sqrt，比如C语言中求一个数的平方根倒数，利用float(1.0/sqrt(x))即可。

可能那个时候没有sqrt方法，作者被“被逼无奈”想到了这种方法，但是最牛逼的是这种方法要比sqrt方法快的多，据说在有的CPU上可以快4倍，也有说快20%的，但我的电脑上编译是要快接近30%，而快的很大原因之一是因为代码中的一串神秘的数字0x5f3759df。下面结合一些相关知识和推导来介绍作者几个骚操作，最终的目的都是为了得到这个神秘数字。

首先我们要先明确一个基础知识，即单精度浮点数在32位中是如何储存的。32bit可以共分为三个部分S、E、M，其中S只有1位，0表示正数、1表示负数；E表示小数，共有8位；M表示尾数，共有23位，如下图：

以数字4.25为例，整数4的二进制表示为0100；与二进制表示整数同理，小数也是如此，比如$2^0$右侧就是$2^{-1}$，那么4.25转化为二进制形式就是0100.01。将二进制形式转用科学计数法的形式可以表示为$1.0001\times 2^2=(1+0.0001)\times 2^2$。

这里先用s、e、m表示，因为S、E、M另有含义

由于4.25是正数，那么s位就存储为0，然后可以将指数处的2+127以二进制形式存储至e中，加上127的理由是将指数的范围由(-127,128)移码至(0,255)，这样就可以用指数位置就不用考虑符号问题。最后将小数点后的0001存储至m中，因为后面的数足以确定小数点前为1，所以没有必要再存储1，综上就是一个单精度浮点数在32位内存中的存储方式，如下图：

所以对于一个要开放的浮点数x，有以下表示形式，先暂称为存储表达式(这个表达式下文需要用到)：

$$x=(-1{)}^s+(1+m)\times 2^e$$

虽然e和m表示的实际意义是浮点数，但是毕竟二进制是都可以转换成十进制的整数嘛，那么如果从整数的角度看，整数E和浮点数e、整数M和浮点数m有没有某种关系呢？答案是肯定有的，但是理由呢我不知道=.=

$$E=127+e$$

$$M=10^{19}m$$

加127的原因上文已经介绍了，就是为了调整指数的符号范围；$10^{19}$是m中1后所需补零的个数，因为当从浮点数角度看时，1左边的0是有起到占位作用的，而如果从整数角度看时，1右边的0才有实际意义，所以在原基础的m上乘以1后零个数的次幂就可以转化至整M。

我们再回到最初的问题，对于一个浮点数x,求它的逆平方根：

$$y=\frac{1}{\sqrt{x}}=x^{-\frac{1}{2}}$$

如果对等式两边同时取对数：

$$lo{g}_{2}y=-\frac{1}{2}lo{g}_{2}x$$

如果结合上面的存储表达式，又可以得到一个新的等式：

对于上式中的$lo{g}_2(1+m_x)$可以绘制出一条平滑的曲线，我们可以用直线$y=m_x$对比(如下图)，可以看到两条线在(0,1)之间非常相近，那么如果再将这条直线向上平移一点点，可以假设这个平移的距离为b，那么两条线就有一种近似相等的关系：$lo{g}_2(1+m_x)\approx m_x+b$。

需要注意的是这种关系成立的前提是$0\le m_x\le 1$，经代入得到下面式子：

如果对$lo{g}_{2}y$做相同处理，那么就有下面式子：

$$m_y+e_y+b\approx -\frac{1}{2}(m_x+e_x+b)$$

上面我们不是利用整数型的M和E分别表示m和e嘛，那么自然可以用整数型套用上式中的浮点型，对于不同数字，整数型和浮点型之间的关系也不同，所以这里统一用常量B和L表示，如下：

$$E=B+e$$

$$M=Lm$$

用整数型替换浮点型可以得到新式子：

可以看到整理后的式子左右有一个相同的部分$M+LE$，我们已经知道了这三个字母代表的意思，但合在一起表达的又是一个新概念，合并两个整数是一个很简单的问题，比如合并33和55，$33\times 100+55=3355$，那么$LE+M$不就是这个道理嘛，只不过前者是十进制后者是二进制，所以$LE+M$的作用就是将M和E存储的数字捆绑在一起，用来表示储存的数字，有人想前面不是还有一位S吗？S的作用是表示存储数字的正负，根号下的数字一定为正，所以S这位一定为0，没有实际意义。有没有感觉真的秒！

既然这个组合用来表示一个数字，那么就可以用另一个变量I来表示：

$$I_y\approx \frac{3}{2}L(B-b)-\frac{1}{2}{I}_x$$

其实代码中下面这条语句就是套用的这个公式。

代码中利用了一个右移运算表示公式中的$\frac{1}{2}$，而$\frac{3}{2}L(B-b)$就是求出代码中这串神秘数字的基础，至于怎么求得的，只有作者知道。后面又有一位大佬对这串数字进行推导，经过精密的演算求得了一串新的数字0x5f375a86，它略优于原常数，大佬只管算，我们膜拜就好。

因为上文中含I的公式是从整型的角度计算的，所以需要强制类型转换将整形转回浮点型，紧接着最后一行代码是利用牛顿迭代法提高结果的精确度，没有什么惊奇之处，下面回顾一下上文过程中作者的几个骚操作：

• 用整数型表示浮点型
• $lo{g}_2(1+m_x)\approx m_x+b$约等关系的替换
• $LE+M$捆绑二进制

也许作者利用的想法是已经存在了很久的理论，但是能把这些理论相组合并灵活运用创造出这种新兴高效的算法，真的不得不感叹一句NiuB，但需要注意的是这个算法依赖于浮点数的储存和字节顺序，所以在Mac上行不通。

上面代码可以再精简一些，但是原理一致，只是将一些变量简化：

float InSqrt(float x)
{
	float xhalf = 0.5f * x;
	int i = *(int*)&x;
	i = 0x5f3759df - (i>>i);
	x = *(float*)&i;
	x = x*(1.5f-xhalf*x*x);
	return x; 
}

可能你看到最后还是那句"what the fuck"，毕竟太多的公式推导都并没有相应的理论依据，只是靠着作者这些脑洞大开的想法，难道就是“我不要你觉得，我只要我觉得?”，关键还是要了解一下流程中几处很牛逼的想法，平时编程中不失为一种办法嘛，也可以当成一次知识拓展。

参考视频及博客：
https://www.bilibili.com/video/BV1D4411Y7TP?from=search&seid=424001316764974197
https://blog.csdn.net/noahzuo/article/details/51555161

关注公众号【喵说Python】第一时间获取更多精彩好文