前文
前言
- 在上文中我们学习了go语言中的自动类型推断
- 我们将在本文中深入理解go语言浮点数的存储细节
- 下面的一段简单程序 0.3 + 0.6 结果是什么？有人会天真的认为是0.9，但实际输出却是0.8999999999999999（go 1.13.5）
var f1 float64 = 0.3 var f2 float64 = 0.6 fmt.Println(f1 + f2)
- 问题在于大多数小数表示成二进制之后是近似且无限的。 以0.1为例。它可能是你能想到的最简单的十进制之一，但是二进制看起来却非常复杂：0.0001100110011001100… 他是一串连续循环无限的数字（关于如何转换为二进制数以后介绍）。
- 结果的荒诞性告诉我们，必须深入理解浮点数在计算机中的存储方式及其性质，才能正确处理数字的计算。
- golang 与其他很多语言（C、C++、Python）一样，使用了IEEE-754标准存储浮点数。
IEEE-754 如何存储浮点数
- IEEE-754规范使用特殊的以2为基数的科学表示法表示浮点数。
| 基本的10进制数字 | 科学计数法表示 | 指数表示 | 系数 | 底数 | 指数 | 小数 ||----------------|---------------------|----------------|-------------|------|----------|----------|| 700 | 7e+2 | 7 * 10^2 | 7 | 10 | 2 | 0 || 4,900,000,000 | 4.9e+9 | 4.9 * 10^9 | 4.9 | 10 | 9 | .9 || 5362.63 | 5.36263e+3 | 5.36263 * 10^3 | 5.36263 | 10 | 3 | .36263 || -0.00345 | 3.45e-3 | 3.45 * 10^-3 | 3.45 | 10 | -3 | .45 || 0.085 | 1.36e-4 | 1.36 * 2^-4 | 1.36 | 2 | -4 | .36 |
- 32位的单精度浮点数 与 64位的双精度浮点数的差异
| 精度 | 符号位 | 指数位 | 小数位 |偏移量||------------------|--------|------------|---------------|------|| Single (32 Bits) | 1 [31] | 8 [30-23] | 23 [22-00] | 127 || Double (64 Bits) | 1 [63] | 11 [62-52] | 52 [51-00] | 1023 |
- 符号位： 1 为 负数， 0 为正数。
- 指数位： 存储 指数减去偏移量，偏移量是为了表达负数而设计的。
- 小数位： 存储系数的小数位的准确或者最接近的值。
- 以 数字 0.085 为例。
| 符号位 | 指数位(123) | 小数位 (.36) ||------|----------------|------------------------------|| 0 | 0111 1011 | 010 1110 0001 0100 0111 1011 |
小数位的计算
- 以0.36 为例: 010 1110 0001 0100 0111 1011 = 0.36 (第一位数字代表1/2,第二位数字是1/4 …)
- 分解后的计算步骤为:
| Bit | Value | Fraction | Decimal | Total ||-----|---------|-----------|------------------|------------------|| 2 | 4 | 1⁄4 | 0.25 | 0.25 || 4 | 16 | 1⁄16 | 0.0625 | 0.3125 || 5 | 32 | 1⁄32 | 0.03125 | 0.34375 || 6 | 64 | 1⁄64 | 0.015625 | 0.359375 || 11 | 2048 | 1⁄2048 | 0.00048828125 | 0.35986328125 || 13 | 8192 | 1⁄8192 | 0.0001220703125 | 0.3599853515625 || 17 | 131072 | 1⁄131072 | 0.00000762939453 | 0.35999298095703 || 18 | 262144 | 1⁄262144 | 0.00000381469727 | 0.3599967956543 || 19 | 524288 | 1⁄524288 | 0.00000190734863 | 0.35999870300293 || 20 | 1048576 | 1⁄1048576 | 0.00000095367432 | 0.35999965667725 || 22 | 4194304 | 1⁄4194304 | 0.00000023841858 | 0.35999989509583 || 23 | 8388608 | 1⁄8388608 | 0.00000011920929 | 0.36000001430512 |
go语言显示浮点数 - 验证之前的理论
- math.Float32bits 可以为我们打印出数字的二进制表示。
- 下面的go代码输出0.085的二进制表达。
- 为了验证之前理论的正确性，根据二进制表示反向推导出其所表示的原始十进制0.085
package mainimport ( "fmt" "math")func main() { var number float32 = 0.085 fmt.Printf("Starting Number: %f\n\n", number) // Float32bits returns the IEEE 754 binary representation bits := math.Float32bits(number) binary := fmt.Sprintf("%.32b", bits) fmt.Printf("Bit Pattern: %s | %s %s | %s %s %s %s %s %s\n\n", binary[0:1], binary[1:5], binary[5:9], binary[9:12], binary[12:16], binary[16:20], binary[20:24], binary[24:28], binary[28:32]) bias := 127 sign := bits & (1 << 31) exponentRaw := int(bits >> 23) exponent := exponentRaw - bias var mantissa float64 for index, bit := range binary[9:32] { if bit == 49 { position := index + 1 bitValue := math.Pow(2, float64(position)) fractional := 1 / bitValue mantissa = mantissa + fractional } } value := (1 + mantissa) * math.Pow(2, float64(exponent)) fmt.Printf("Sign: %d Exponent: %d (%d) Mantissa: %f Value: %f\n\n", sign, exponentRaw, exponent, mantissa, value)}
- 输出：
Starting Number: 0.085000Bit Pattern: 0 | 0111 1011 | 010 1110 0001 0100 0111 1011Sign: 0 Exponent: 123 (-4) Mantissa: 0.360000 Value: 0.085000
经典问题：如何判断一个浮点数其实存储的是整数
- 思考10秒钟….
- 下面是一段判断浮点数是否为整数的go代码实现，我们接下来逐行分析函数。它可以加深对于浮点数的理解
func IsInt(bits uint32, bias int) { exponent := int(bits >> 23) - bias - 23 coefficient := (bits & ((1 << 23) - 1)) | (1 << 23) intTest := (coefficient & (1 << uint32(-exponent) - 1)) fmt.Printf("\nExponent: %d Coefficient: %d IntTest: %d\n", exponent, coefficient, intTest) if exponent < -23 { fmt.Printf("NOT INTEGER\n") return } if exponent < 0 && intTest != 0 { fmt.Printf("NOT INTEGER\n") return } fmt.Printf("INTEGER\n")}
- 要保证是整数，一个重要的条件是必须要指数位大于127，如果指数位为127，代表指数为0. 指数位大于127，代表指数大于0， 反之小于0.下面我们以数字234523为例子：
Starting Number: 234523.000000Bit Pattern: 0 | 1001 0000 | 110 0101 0000 0110 1100 0000Sign: 0 Exponent: 144 (17) Mantissa: 0.789268 Value: 234523.000000Exponent: -6 Coefficient: 15009472 IntTest: 0INTEGER
- 第一步,计算指数。 由于 多减去了23，所以在第一个判断中 判断条件为 exponent < -23
exponent := int(bits >> 23) - bias - 23
- 第二步,
(bits & ((1 << 23) - 1))计算小数位。
coefficient := (bits & ((1 << 23) - 1)) | (1 << 23)Bits: 01001000011001010000011011000000(1 << 23) - 1: 00000000011111111111111111111111bits & ((1 << 23) - 1): 00000000011001010000011011000000
- `| (1 << 23)`` 代表 将1加在前方。
bits & ((1 << 23) - 1): 00000000011001010000011011000000
(1 << 23): 00000000100000000000000000000000
coefficient: 00000000111001010000011011000000
- 1 + 小数 = 系数。
- 第三步，计算intTest 只有当指数的倍数可以弥补最小的小数位的时候，才是一个整数。 如下，指数是17位，其不能够弥补最后6位的小数。即不能弥补1/2^18 的小数。 由于2^18位之后为0.所以是整数。
exponent: (144 - 127 - 23) = -6
1 << uint32(-exponent): 000000
(1 << uint32(-exponent)) - 1: 111111
coefficient: 00000000111001010000011011000000
1 << uint32(-exponent)) - 1: 00000000000000000000000000111111
intTest: 00000000000000000000000000000000
扩展阅读：概念：Normal number and denormal (or subnormal) number
- wiki的解释是：
In computing, a normal number is a non-zero number in a floating-point representation which is within the balanced range supported by a given floating-point format: it is a floating point number that can be represented without leading zeros in its significand.
- 什么意思呢？在IEEE-754中指数位有一个偏移量，偏移量是为了表达负数而设计的。 比如单精度中的0.085，实际的指数是 -3， 存储到指数位是123。
- 所以表达的负数就是有上限的。这个上限就是2^-126。 如果比这个负数还要小，例如2^-127,这个时候应该表达为
0.1 * 2 ^ -126. 这时系数变为了不是1为前导的数，这个数就叫做denormal (or subnormal) number。 - 正常的系数是以1为前导的数就叫做Normal number。
扩展阅读：概念：精度
- 精度是一个非常复杂的概念，在这里笔者讨论的是2进制浮点数的10进制精度。
- 精度为d表示的是在一个范围内，如果我们将d位10进制（按照科学计数法表达）转换为二进制。再将二进制转换为d位10进制。数据不损失意味着在此范围内是有d精度的。
- 精度的原因在于，数据在进制之间相互转换时，是不能够精准匹配的，而是匹配到一个最近的数。
- 在这里暂时不深入探讨，而是给出结论：
- float32的精度为6-8位，
- float64的精度为15-17位
- 并且精度是动态变化的，不同的范围可能有不同的精度。这里简单提示一下是由于 2的幂 与 10的幂之间的交错是不同的。
总结
- 本文介绍了go语言使用的IEEE-754标准存储浮点数的具体存储方式。
- 本文通过实际代码片段和一个脑筋急转弯帮助读者理解浮点数的存储方式。
- 本文介绍了normal number 以及精度这两个重要概念。
参考资料
- 项目链接
- 作者知乎
- blog
- Why 0.1 Does Not Exist In Floating-Point
- Normal number
- 7-bits-are-not-enough-for-2-digit-accuracy
- Decimal Precision of Binary Floating-Point Numbers
喜欢本文的朋友欢迎点赞分享~
image
唯识相链启用微信交流群（Go与区块链技术）
欢迎加微信：ywj2271840211
网友评论