跳至主要内容

机器数与 IEEE-754：浮点数是怎么存进 32 位的

Jeacson She2026/11/6...大约 5 分钟Computer-OrganizationIEEE-754Floating-PointNumerical-Methods

机器数与 IEEE-754

核心结论

能在二进制下被完美表示（没有无限循环小数位）的数，称为机器数。IEEE-754 用「符号位 + 偏移指数 + 尾数」三段把浮点数塞进固定位宽：单精度 32 位（bias 127）、双精度 64 位（bias 1023）。理解机器数的价值在于：计算机里所有小数运算的误差、溢出、比较失败，都源于这个表示法本身的离散性。

一、机器数

一个十进制数转成机器能识别的二进制数时，若能被完美表示为二进制而不存在无限不循环小数位，这个数就是机器数。

x=m×2e,1≤m<2x = m \times 2^{e},\quad 1 \le m < 2

把尾数的小数点放在第一位与第二位之间、并保证首位非 0，这个处理叫规范化（normalized）。

二、IEEE-754 的三种形式

IEEE 754 规定了四种表示方式：单精度（32 位）、双精度（64 位）、延伸单精度（43 位以上，很少用）、延伸双精度（79 位以上，通常 80 位实现）。本项目用到前两种：

符号位 s指数位 e′尾数 m偏移量 bias
单精度 SP1 位8 位23 位127
双精度 DP1 位11 位52 位1023
  • 符号位：0 正 1 负；
  • 偏移指数 e′：以 2 为底的指数加上 bias 后的无符号数；
  • 尾数 m：规范化后小数点右侧的位（整数部分的 1 被隐式省略，即「隐藏位」）。

三、十进制 → 机器数（小数值）

以 20.5 为例：

  1. 转二进制：(20.5)10=(10100.1)2(20.5)_{10} = (10100.1)_2
  2. 规范化：10100.1=1.01001×2410100.1 = 1.01001 \times 2^{4} → 尾数 01001，未偏移指数 e = 4
  3. 加偏移：e′=e+b=4+127=131=(1000 0011)2e' = e + b = 4 + 127 = 131 = (1000\ 0011)_2
  4. 尾数补足 23 位：0100 1000 0000 0000 000
  5. 组装（正数 s = 0）：
0 10000011 01001000000000000000000  =  0x41A40000

四、十进制 → 机器数（大数）

对 −4.96633978947244×1022-4.96633978947244 \times 10^{22} 这类数，直接展开不现实，用「数量级估算」：

  1. 符号为负 → s = 1；
  2. 取绝对值，把 102210^{22} 换成二进制量级：因 103≈21010^3 \approx 2^{10}，故 1022≈27010^{22} \approx 2^{70}；
  3. 4.966×1022≈a×2704.966 \times 10^{22} \approx a \times 2^{70} → a≈42.07=1.3146×25a \approx 42.07 = 1.3146 \times 2^{5}；
  4. 于是 e=70+5=75e = 70 + 5 = 75，e′=75+127=202=(1100 1010)2e' = 75 + 127 = 202 = (1100\ 1010)_2；
  5. 把 0.31460.3146 转二进制得 24 位，按舍入规则截到 23 位；
1 11001010 01010000100010000100010  =  0xE5284422

估算次方数时的反直觉之处：次方数估得越"精确"反而误差越大，先取整到几十次方即可。

五、机器数 → 十进制

例：SP 机器数 0xD1500000

0xD1500000 = 1101 0001 0101 0000 … 0000
s = 1
e' = 2^7 + 2^5 + 2^1 = 162  →  e = e' - 127 = 35
m = 1.1010 0000 …（含隐藏位）
value = (-1)^s × 1.625 × 2^35 = -1.625 × 2^35 ≈ -5.583 × 10^10

通用公式：

value=(−1)s×(1.m)2×2(e′−b)\text{value} = (-1)^{s} \times (1.m)_2 \times 2^{(e' - b)}

六、特殊值与数值范围

当 e′e' 全 0 或全 1 时，编码用于表示特殊值：±0、±∞、NaN（以及非规格化数）。因此正常数的指数范围是 1≤e′≤2541 \le e' \le 254（SP）/ 1≤e′≤20461 \le e' \le 2046（DP）。

最大机器数值最小机器数值
单精度±3.4×1038\pm 3.4 \times 10^{38}±1.2×10−38\pm 1.2 \times 10^{-38}
双精度±1.8×10308\pm 1.8 \times 10^{308}±2.2×10−308\pm 2.2 \times 10^{-308}
  • 溢出（Overflow）：绝对值 > 最大值（如单精度 >3.4×1038> 3.4\times10^{38}）；
  • 下溢（Underflow）：绝对值 < 最小值（如单精度 <1.2×10−38< 1.2\times10^{-38}）。

七、上一位 / 下一位与机器精度

相邻两个机器数之间的距离由尾数最低位（2−232^{-23}）与指数共同决定：

下一位=x+2e×2−23,上一位=x−2e×2−23\text{下一位} = x + 2^{e} \times 2^{-23},\qquad \text{上一位} = x - 2^{e} \times 2^{-23}

对 20.5（e = 4）：

下一位 = 20.5 + 2^4 × 2^-23 = 20.5000019073486328125
上一位 = 20.5 - 2^4 × 2^-23 = 20.4999980926513671875

机器精度 ϵmach\epsilon_{mach} 定义为该精度下「1 与下一个机器数之间的距离」：

ϵmach=(1+2−23)−1=2−23≈1.19×10−7\epsilon_{mach} = (1 + 2^{-23}) - 1 = 2^{-23} \approx 1.19 \times 10^{-7}

一般规律：ϵmach\epsilon_{mach} = 2 的「尾数最后一位所代表的二进制位数」次方。

八、误差与舍入

任何落在「本位数 ± 半个间隔」之间的实数，都会被估计为最近的机器数（四舍六入五成双的邻域思想）。由此产生：

真误差=∣真实值−估计值∣\text{真误差} = |\text{真实值} - \text{估计值}|

真实相对误差=∣真实值−估计值真实值∣×100%\text{真实相对误差} = \left|\frac{\text{真实值} - \text{估计值}}{\text{真实值}}\right| \times 100\%

例：20.4999991 与 20.5 的真误差 0.0000009，真实相对误差 ≈ 0.00000439%。

舍入规则：把小数位限制在尾数位内，对紧接着的那一位（MSB）判定 ——

  • MSB 为 0：剩余全部舍去（截断）；
  • MSB 为 1：尾数末位加一。

例：(9.4)10=(1001.0110‾)2=1.0010110‾×23(9.4)_{10} = (1001.\overline{0110})_2 = 1.001\overline{0110} \times 2^{3} → s = 0、e′=3+127=130e' = 3 + 127 = 130、尾数取 0010 1100 1100 1100 110，其后为 01，MSB = 0 → 直接舍去。

九、工程含义

  • 浮点数不满足结合律：(a+b)+c≠a+(b+c)(a+b)+c \ne a+(b+c)，累加大量小数时要用 Kahan 求和或高精度中间量；
  • 不要用 == 比较浮点，用 ϵ\epsilon 容差；
  • 0.1 + 0.2 ≠ 0.3 的根因就在这里：0.1 在二进制下是无限循环小数，存进机器数时已被舍入；
  • 相对误差随数值量级变化，而绝对误差随指数增长 —— 大数运算更容易丢失低位有效信息。

来源

最近更新:
贡献者: github-actions[bot],Hermes-cRl1