跳转至

浮点数（Floating Point）

本章主线：从科学计数法直觉出发（尾数 × 基数^指数）→ 二进制小数的表示与局限 → IEEE 754 标准的诞生 → 浮点的编码机制（规格化/非规格化/特殊值）→ 编解码实例 → C 中的浮点与转换 → 真实事故案例（Ariana 5、爱国者导弹）→ 总结。 一句话版本：浮点数 = （符号，尾数，阶码）三段式编码——用有限位宽逼近实数，换来范围与精度的折中，代价是"先精确运算再舍入"，从而违反结合律与分配律。

mindmap
  root((浮点数<br/>第4讲))
    4.1 二进制小数背景
      科学计数法
      二进制小数
      可表示数局限
    4.2 IEEE 754 标准
      历史与 Kahan
      标准动机
    4.3 浮点表示
      数值形式
      精度选项
      三类数值
      规格化数
      非规格化数
      特殊值
    4.4 编解码实例
      十进制到编码
      编码到十进制
    4.5 C 中的浮点
      转换规则
      浮点谜题
    4.6 事故案例
      Ariana 5 火箭
      爱国者导弹
      定点改进
    4.7 总结
      浮点算术性质

4.1 背景：二进制小数（Fractional Binary Numbers）

4.1.1 科学计数法与浮点数的直觉

科学计数法（Scientific Notation）把一个数分解为三部分：尾数（mantissa）、基（radix / base）与指数（exponent，阶码）。例：

\[6.02 \times 10^{21} \qquad \text{（尾数 6.02，基 10，指数 21）}\]
  1. 规格化形式（normalized form）：小数点前只有一位非 0 数字——对给定数，规格化形式唯一。
  2. 非规格化形式不唯一：同一个数有多种写法。例：\(\frac{1}{1{,}000{,}000{,}000}\)
    • 规格化（唯一）：\(1.0 \times 10^{-9}\)；
    • 非规格化（不唯一）：\(0.1 \times 10^{-8}\)、\(10.0 \times 10^{-10}\)。
  3. 二进制版本：基为 2，如 \(0.101_2 \times 2^{-10}\)——只要分别编码尾数与指数，就能表示一个浮点数（实数）。

一句话记忆：浮点数 = 尾数 × 基^指数，规格化让写法唯一，省下一位隐式的前导 1。

4.1.2 二进制小数的表示

二进制小数把"二进制小数点"右侧的位解释为 2 的负幂：

\[ b_i b_{i-1} \cdots b_1 b_0 . b_{-1} b_{-2} \cdots b_{-j} = \sum_k b_k \cdot 2^k \]

权重序列为：\(\ldots, 2^2, 2^1, 2^0, 2^{-1}, 2^{-2}, \ldots\)

例子：

  1. \(5\frac{3}{4} = \frac{23}{4}\)：\(101.11_2 = 4 + 1 + \frac{1}{2} + \frac{1}{4}\)；
  2. \(2\frac{7}{8} = \frac{23}{8}\)：\(010.111_2 = 2 + \frac{1}{2} + \frac{1}{4} + \frac{1}{8}\)；
  3. \(1\frac{7}{16} = \frac{23}{16}\)：\(001.0111_2 = 1 + \frac{1}{4} + \frac{1}{8} + \frac{1}{16}\)。

三个观察：

  1. 除以 2 = 右移一位（无符号）；乘以 2 = 左移一位；
  2. \(0.111111\ldots_2\) 无限趋近 1.0：\(\frac{1}{2} + \frac{1}{4} + \frac{1}{8} + \cdots \to 1.0\)，记为 \(1.0 - \varepsilon\)；
  3. 二进制小数与十进制小数没有一一对应——很多十进制小数无法用有限二进制表示（见下节）。

4.1.3 可表示数的局限

局限一（精度）：二进制小数只能精确表示形如 \(x / 2^k\) 的数；其他有理数产生循环位模式：

数值 二进制表示
\(1/3\) \(0.0101010101[01]\ldots_2\)
\(1/5\) \(0.001100110011[0011]\ldots_2\)
\(1/10\) \(0.0001100110011[0011]\ldots_2\)

局限二（范围）：在 \(w\) 位内二进制小数点只有一个固定位置——要么覆盖很大的数，要么覆盖很小的数，无法同时兼顾（这就是需要"浮动的小数点"即浮点数的根本原因）。

口诀：定点只能精确到 \(x/2^k\)，且范围受限；浮点让小数点"漂移"，换来动态范围。

4.2 IEEE 754 标准：为什么需要它

4.2.1 历史背景

  1. 直到 1980 年代初，各机器的浮点数格式各不相同，互相不兼容——机器之间传送数据时带来麻烦；
  2. 1970 年代后期，IEEE 成立委员会着手制定浮点数标准；
  3. 1985 年完成 IEEE 754 标准的制定——主要贡献者是 UC Berkeley 数学教授 William Kahan（被誉为 IEEE 754 之父）；
  4. 如今所有计算机都采用 IEEE 754 表示浮点数。

4.2.2 标准的设计动机

  1. 统一标准：所有主流 CPU 支持；少数 CPU 未完整实现（如早期 GPU、Cell BE 处理器）；
  2. 由数值考量驱动：为舍入、上溢、下溢设计了良好的标准行为；
  3. 代价：硬件上很难做快——制定标准时，数值分析专家压过了硬件设计者。

一句话记忆：IEEE 754 = 数值分析家定规则，硬件工程师吃苦头——但它换来了跨平台一致的浮点行为。

4.3 浮点表示（IEEE Floating Point Representation）

4.3.1 数值形式与编码

数值形式：

\[ v = (-1)^s \times M \times 2^E \]
  1. 符号位 s：决定正负；
  2. 尾数 M：通常是 \([1.0, 2.0)\) 区间的小数；
  3. 指数 E：用 2 的幂加权。

编码（三段式）：最高位 MSB 是符号位 s；exp 字段编码 E（但不等于 E）；frac 字段编码 M（但不等于 M）：

Text Only
1
2
3
s   exp     frac
1   8 位    23 位    （单精度）
1   11 位   52 位    （双精度）

例：\(15213_{10} = (-1)^0 \times 1.1101101101101_2 \times 2^{13}\)。

4.3.2 精度选项

格式 位数 组成（s + exp + frac） 十进制精度 指数范围
单精度（float） 32 1 + 8 + 23 ≈ 7 位有效数字 \(10^{\pm 38}\)
双精度（double） 64 1 + 11 + 52 ≈ 16 位有效数字 \(10^{\pm 308}\)
其他 半精度、四精度 — — —

4.3.3 三类数值

根据 exp 字段，浮点数分为三类：

exp 字段 frac 字段 类别
\(00\ldots 0\) 任意 非规格化（denormalized）
\(\ne 00\ldots 0\) 且 \(\ne 11\ldots 1\) 任意 规格化（normalized）
\(11\ldots 1\) 任意 特殊值（special）

4.3.4 规格化数（Normalized Values）

条件：\(exp \ne 000\ldots 0\) 且 \(exp \ne 111\ldots 1\)。

  1. 指数用偏置（biased）编码：\(E = exp - Bias\)，其中 \(Bias = 2^{k-1} - 1\)（\(k\) 为指数位数）：
    • 单精度：\(Bias = 127\)（exp 取 1…254，\(E\) 取 -126…127）；
    • 双精度：\(Bias = 1023\)（exp 取 1…2046，\(E\) 取 -1022…1023）。
  2. 尾数带隐含前导 1：\(M = 1.xxx\ldots x_2\)——xxx…x 即 frac 字段的位：
    • 最小值：frac = 000…0 时 \(M = 1.0\)；
    • 最大值：frac = 111…1 时 \(M = 2.0 - \varepsilon\)；
    • "免费"获得额外一位前导 1：因为规格化形式的小数点前总是 1，故可隐含表示，不占位。

SP 与 DP 的计算式：

\[SP:\ v = (-1)^S \times (1 + \text{Significand}) \times 2^{(Exp-127)}\]
\[DP:\ v = (-1)^S \times (1 + \text{Significand}) \times 2^{(Exp-1023)}\]

口诀：规格化 = 隐含前导 1 + 偏置指数——exp 全 0 与全 1 让位给非规格化与特殊值。

4.3.5 非规格化数（Denormalized Values）

条件：\(exp = 000\ldots 0\)。

  1. 指数固定：\(E = 1 - Bias\)（代替 \(exp - Bias\)）；
  2. 尾数带隐含前导 0：\(M = 0.xxx\ldots x_2\)；
  3. 两类情况：
    • \(frac = 000\ldots 0\)：表示零值——注意 +0 与 -0 是两个不同位模式（表示不同含义）；
    • \(frac \ne 000\ldots 0\)：表示最接近 0.0 的数，且等间距（equispaced）地分布。

为什么需要非规格化数：规格化数的最小值是 \(1.0 \times 2^{-126}\)；非规格化数让数值能平滑过渡到 0（否则 0 与最小规格化数之间会出现巨大的"空洞"，下溢时直接跳到 0 会丢失精度信息）。

4.3.6 特殊值（Special Values）

条件：\(exp = 111\ldots 1\)。

  1. \(frac = 000\ldots 0\)：无穷（\(\infty\)）——表示上溢的运算结果，正负都有：
    • \(1.0 / 0.0 = -1.0 / -0.0 = +\infty\)；\(1.0 / -0.0 = -\infty\)；
  2. \(frac \ne 000\ldots 0\)：NaN（Not-a-Number）——表示无法确定数值的情形：
    • \(\sqrt{-1}\)、\(\infty - \infty\)、\(\infty \times 0\)。

编码全景图（数轴方向，从小到大）：

\[ -\infty \quad \longleftarrow \quad -\text{规格化} \quad \longleftarrow \quad -\text{非规格化} \quad \longleftarrow \quad -0 / +0 \quad \longrightarrow \quad +\text{非规格化} \quad \longrightarrow \quad +\text{规格化} \quad \longrightarrow \quad +\infty \]

NaN 分布在数轴两端（负无穷左侧与正无穷右侧之外）。

4.3.7 三类数值汇总表

类别 exp E M 典型位模式 数值
非规格化 \(00\ldots 0\) \(1 - Bias\) \(0.xxx\ldots x_2\) \(00\ldots 0\ 00\ldots 0\) \(\pm 0\)
非规格化 \(00\ldots 0\) \(1 - Bias\) \(0.xxx\ldots x_2\) \(00\ldots 0\ \ne 0\) 接近 0 的数（等间距）
规格化 \(00\ldots 0\) 与 \(11\ldots 1\) 之间 \(exp - Bias\) \(1.xxx\ldots x_2\) 一般情况 \((-1)^s \times 1.xxx \times 2^E\)
特殊值 \(11\ldots 1\) — — \(11\ldots 1\ 00\ldots 0\) \(\pm \infty\)
特殊值 \(11\ldots 1\) — — \(11\ldots 1\ \ne 0\) NaN

口诀：exp 全 0 是"贴地飞行"（非规格化），exp 全 1 是"神仙打架"（∞ 与 NaN），中间才是正常范围（规格化）。

4.4 浮点编解码实例

4.4.1 十进制 → 浮点编码

完整例题 1：编码 15213.0（float，单精度）

题目陈述：求 float F = 15213.0; 的 32 位 IEEE 754 编码。

完整解题步骤（每一步注明依据）：

  1. 转二进制：\(15213_{10} = 11101101101101_2\)；
  2. 规格化：\(= 1.1101101101101_2 \times 2^{13}\)（小数点移到第一位 1 之后）；
  3. 尾数字段 frac：取小数点后 23 位——\(1101101101101\) 后补 0 到 23 位：\(11011011011010000000000_2\)（\(M = 1.1101101101101_2\)，隐含前导 1 不占位）；
  4. 指数字段 exp：\(E = 13\)，\(Bias = 127\)，\(exp = 13 + 127 = 140 = 10001100_2\)；
  5. 符号位 s = 0（正数）。
  6. 最终答案：0 10001100 11011011011010000000000。

完整例题 2：编码 -12.75（float）

题目陈述：求 -12.75 的 IEEE 754 单精度编码（十六进制）。

完整解题步骤（每一步注明依据）：

  1. 转二进制：-12.75 整数部分 \(12 = 8 + 4 = 1100_2\)，小数部分 \(0.75 = 0.5 + 0.25 = 0.11_2\)；
  2. 合并并规格化：\(1100.11_2 = 1.10011_2 \times 2^3\)；
  3. 指数：\(exp = 127 + 3 = 130 = 1000\ 0010_2\)；
  4. 尾数 frac：\(10011\) 后补 0 到 23 位：\(100\ 1100\ 0000\ 0000\ 0000\ 0000\)；
  5. 符号位 s = 1（负数）。
  6. 最终答案：1100 0001 0100 1100 0000 0000 0000 0000 = 0xC14C0000H。

该例演示的核心技巧/易错点：编码三步走：转二进制 → 规格化找 E → 拼字段（s + exp + frac）——exp 是"真指数 + Bias"，frac 是"去掉前导 1 的尾数"。

4.4.2 浮点编码 → 十进制

完整例题 3：解码 BEE00000H

题目陈述：BEE00000H 是某个 IEEE 754 单精度数的十六进制表示，求其十进制值。

完整解题步骤（每一步注明依据，公式 \(v = (-1)^S \times (1 + \text{Significand}) \times 2^{(Exp-127)}\)）：

  1. 展开二进制：\(1011\ 1110\ 1110\ 0000\ 0000\ 0000\ 0000\ 0000\)；
  2. 符号位：s = 1 → 负数；
  3. 指数：\(exp = 0111\ 1101_2 = 125_{10}\)，偏置调整：\(E = 125 - 127 = -2\)；
  4. 尾数：\(M = 1 + 1 \times 2^{-1} + 1 \times 2^{-2} + 0 \times 2^{-3} + \cdots = 1 + 0.5 + 0.25 = 1.75\)；
  5. 合成：\(v = -1.75 \times 2^{-2} = -0.4375\)。
  6. 最终答案：-0.4375。

完整例题 4：解码 0xC0A00000

题目陈述：float 的十六进制表示为 0xC0A00000，求其十进制值。

完整解题步骤（每一步注明依据，\(Bias = 2^{k-1} - 1 = 127\)）：

  1. 展开二进制：\(1100\ 0000\ 1010\ 0000\ 0000\ 0000\ 0000\ 0000\)；
  2. 分段：s = 1，exp = \(1000\ 0001_2 = 129\)，frac = \(010\ 0000\ldots\)；
  3. 指数：\(E = exp - Bias = 129 - 127 = 2\)；
  4. 尾数：\(M = 1.010\ldots_2 = 1 + \frac{1}{4} = 1.25\)；
  5. 合成：\(v = (-1)^1 \times 1.25 \times 2^2 = -5\)。
  6. 最终答案：-5。

该例演示的核心技巧/易错点：解码三连问：符号？exp 减 Bias 得 E？frac 前补隐含 1 得 M？——BEE00000 与 C0A00000 恰好示范了"指数为负"与"指数为正"两种情形。

4.5 浮点数在 C 中

4.5.1 转换规则

C 保证两个级别：float（单精度）、double（双精度）。

int/float/double 之间转换会改变位表示：

  1. double/float → int：截断小数部分（类似向 0 取整）；越界或 NaN 时行为未定义（一般置为 TMin）；
  2. int → double：精确转换——只要 int 的字长 ≤ 53 位（double 的有效位）即无损；
  3. int → float：按舍入模式舍入——不会溢出，但可能丢失精度。

转换方向汇总（结合 C 语言语义）：

  1. int → float：不会溢出，但可能有数据被舍入；
  2. int/float → double：因为 double 有效位数更多，能保留精确值；
  3. double → float/int：可能溢出，且因有效位数变少可能被舍入；
  4. float/double → int：int 没有小数部分，数据向 0 方向被截断。

long double：长度与格式随编译器和处理器不同——IA-32 上是 80 位扩展精度格式。

口诀："加宽"多无损（int→double 精确），"收窄"要舍入（→int 截断、→float 舍入）。

4.5.2 浮点谜题（Floating Point Puzzles）

对 int x = …; float f = …; double d = …;（假设 d 与 f 均非 NaN），判断以下表达式是否恒真（答案与反例，补充说明/拓展）：

表达式 恒真？ 理由 / 反例
x == (int)(float) x 假 float 仅 24 位有效位，大 int 被舍入：\(x = 2^{24}+1 = 16777217\) 转 float 得 16777216，转回 int 不等
x == (int)(double) x 真 double 有 53 位有效位 ≥ 32 位 int，全部可精确表示
f == (float)(double) f 真 float → double 精确（24 < 53），double → float 舍回原值
d == (double)(float) d 假 d 精度高于 float，转 float 即舍入丢失（如 d = 0.1）
f == -(-f) 真 IEEE 754 取负只翻转符号位，是精确运算

口诀：int 进 double 稳，float 装不下 int；double 降 float 掉精度，取反永远精确。

4.6 真实事故案例：浮点错误的代价

4.6.1 Ariana 5 火箭爆炸（转换溢出）

事故：1996 年 6 月 4 日，欧洲阿丽亚娜 5 火箭首次航行，发射仅 37 秒后偏离航线、解体爆炸，火箭上载有价值 5 亿美元的通信卫星。

原因：在将一个 64 位浮点数转换为 16 位带符号整数时产生溢出异常——溢出的值是火箭的水平速率，比 Ariana 4 所能达到的速率高出了 5 倍。设计 Ariana 4 软件时，设计者确认水平速率绝不会超过 16 位整数；而设计 Ariana 5 时没有重新检查这部分，直接沿用了旧设计。

启示：在不同数据类型之间转换时，往往隐藏着不易察觉的错误，可能带来重大损失——编程时要非常小心。

4.6.2 爱国者导弹事故（0.1 的表示误差）

事故：1991 年 2 月 25 日海湾战争，美国在沙特阿拉伯达摩设置的爱国者导弹拦截伊拉克飞毛腿导弹失败，飞毛腿击中美军军营，28 名士兵死亡。原因是导弹系统时钟内的软件错误——浮点数精度问题。

问题机理：爱国者导弹系统内置时钟用计数器实现，每 0.1 秒计数一次；程序用 0.1 的一个 24 位定点二进制小数 x 乘以计数值，得到以秒为单位的时间。

完整例题：100 小时运行后的距离误差

题目陈述：已知导弹已连续工作 100 小时，飞毛腿速度约 2000 米/秒，求时钟计算误差导致的距离误差。

完整解题步骤（每一步注明依据）：

  1. 0.1 的二进制表示是无限循环：\(0.1 = 0.00011[0011]\ldots_2\)；
  2. 24 位定点近似：\(x = 0.000\ 1100\ 1100\ 1100\ 1100\ 1100_B\)（截断到 24 位）；
  3. 单次误差：\(0.1 - x = 0.000\ 0000\ 0000\ 0000\ 0000\ 0000\ 1100\ [1100]\ldots_B = 2^{-20} \times 0.1 \approx 9.54 \times 10^{-8}\) 秒/次；
  4. 100 小时 = 计数次数：\(100 \times 60 \times 60 \times 10 = 36 \times 10^5\) 次；
  5. 总时钟偏差：\(9.54 \times 10^{-8} \times 36 \times 10^5 \approx 0.343\) 秒；
  6. 距离误差：\(2000 \times 0.343 \approx 687\) 米。
  7. 最终答案：约 687 米——飞毛腿导弹足以落在偏差 687 米的军营里。

4.6.3 改进方案的对比计算

方案 A：用 float 表示 0.1

  1. 规格化：\(0.1 = 1.10011001100110011001100_2 \times 2^{-4}\)，机器数为 0 0111101 1 100 1100 1100 1100 1100 1100（float 仅 24 位有效位，后续位被截断）；
  2. 误差：\(|x - 0.1| = 2^{-24} \times 0.1 \approx 5.96 \times 10^{-9}\)；
  3. 100 小时后时钟偏差：\(5.96 \times 10^{-9} \times 36 \times 10^5 \approx 0.0215\) 秒；
  4. 距离偏差：\(0.0215 \times 2000 \approx 43\) 米——比爱国者系统精确约 16 倍。

方案 B：用 32 位二进制定点表示 0.1（\(x = 0.000\ 1100\ 1100\ 1100\ 1100\ 1100\ 1100\ 1101_B\)）

  1. 误差：\(|x - 0.1| = 2^{-30} \times 0.1 \approx 9.31 \times 10^{-11}\)；
  2. 100 小时后时钟偏差：\(9.31 \times 10^{-11} \times 36 \times 10^5 \approx 0.000335\) 秒；
  3. 距离偏差：\(0.000335 \times 2000 \approx 0.67\) 米。

三种方案对比表：

方案 单次误差 100 小时偏差 距离误差
24 位定点（爱国者实况） \(2^{-20} \times 0.1 \approx 9.54\times10^{-8}\) ≈ 0.343 秒 ≈ 687 米
float（24 位有效位） \(2^{-24} \times 0.1 \approx 5.96\times10^{-9}\) ≈ 0.0215 秒 ≈ 43 米
32 位定点 \(2^{-30} \times 0.1 \approx 9.31\times10^{-11}\) ≈ 0.000335 秒 ≈ 0.67 米

结论与启示：

  1. 32 位定点表示 0.1 比 float 精度高 64 倍；
  2. float 计算更慢：必须先把计数值转换为 IEEE 754 格式浮点数，再对两个 IEEE 754 数相乘——比直接二进制数相乘慢得多；
  3. 启示：
    • 程序员应对底层机器级数据的表示与运算有深刻理解；
    • 计算机世界里经常"差之毫厘，失之千里"，需要细心再细心、精确再精确；
    • 不能遇到小数就用浮点数——当需要用一个整数变量乘以一个确定的小数常量时，可先用一个确定的定点整数与整数变量相乘，再通过移位运算来确定小数点。

口诀：能定点就定点，移位补小数点；差之毫厘失之千里，先算精度再谈速度。

4.7 总结：浮点算术的性质

  1. IEEE 浮点具有清晰的数学性质：表示形如 \(M \times 2^E\) 的数；
  2. 可脱离实现进行推理：运算仿佛"先以完美精度计算，再舍入"；
  3. 但不同于实数算术：
    • 违反结合律与分配律（回顾课程导论"现实一"：\((x+y)+z \ne x+(y+z)\) 的浮点版本）；
    • 给编译器与严肃数值应用程序员带来麻烦。

课堂练习（需掌握）：CS:APP 教材习题 2.47、2.54。

知识定位与框架衔接

前置知识（地基）

  1. 第 2、3 讲（位、字节与整数）：位模式、补码、移位、溢出——浮点编码是同一套"位模式 + 解释"哲学的延续，只是把编码空间分给了符号/指数/尾数三段。
  2. 课程导论"现实一"：整数不是整数、浮点不是实数——本讲完整给出浮点"不是实数"的技术根源（有限有效位 + 舍入 + 特殊值）。

后置知识（上层建筑）

  1. datalab 实验（L1）：浮点部分的位操作题目（如用整数运算实现浮点比较）直接依赖本讲的编码结构。
  2. 机器级编程（第 5 讲起）：x86 的 SSE/AVX 浮点指令、浮点寄存器与内存布局（小端/大端）都以 IEEE 754 编码为前提。
  3. 数值计算与安全：浮点舍入误差的累积（如爱国者导弹）是科学计算与关键系统的经典教训；CS:APP 习题 2.47、2.54 是本讲的巩固练习。

本讲在整个课程中的位置（编码金字塔比喻）

如果说整数是"精确的位模式算术"，浮点数就是"带刻度的量尺"——它用有限位宽换来从 \(10^{-38}\) 到 \(10^{38}\) 的动态范围，代价是每个数都可能"差一点"。本讲是整门课的"精度与范围的权衡教科书"：前半部分（编码）回答"浮点数长什么样"，后半部分（转换、案例）回答"什么时候会出错、错得多离谱"。把 "先精确后舍入" 与 "三段式编码" 两句话刻进脑子，后续所有涉及浮点的话题都能归位。

核心灵魂问题（学完本讲应能回答）

  1. 为什么规格化数要隐含前导 1，而非规格化数要隐含前导 0？ ——规格化数的小数点前总是 1，隐含表示省一位有效位（"免费"精度）；非规格化数用于填补 0 附近的最小值，只能以 0 开头，保证向 0 的平滑过渡与等间距分布。
  2. 为什么 exp 全 0 表示非规格化、全 1 表示特殊值，而不是直接参与正常范围？ ——这是"用两个极端编码换三种语义"的设计：全 1 编码 ∞ 与 NaN（处理溢出与未定义结果），全 0 编码 0 与最小数（保证渐进下溢），中间留给常规规格化数。
  3. 0.1 为什么不能精确表示？爱国者导弹的 687 米误差是怎么累积出来的？ ——0.1 的二进制是无限循环小数，任何有限位表示都是近似；误差虽然单次仅 \(10^{-8}\) 量级，但乘以 \(3.6 \times 10^6\) 次计数后放大到 0.343 秒、再乘以 2000 米/秒的速度就成了致命的 687 米——小误差 × 大次数 = 大灾难。
  4. 为什么浮点不满足结合律？"先精确后舍入"如何解释？ ——每个中间结果都先按精确值计算、再舍入到目标精度；\((a+b)+c\) 与 \(a+(b+c)\) 的舍入时机不同，两个"精确中间值"被舍入到不同结果，故通常不相等。

一句话总结本讲：浮点 = （符号，偏置阶码，隐含前导 1 的尾数）三段编码，三类数值分工（规格化管正常、非规格化管贴 0、特殊值管 ∞ 与 NaN）；运算"先精确后舍入"，所以浮点不等于实数；0.1 这类无限循环小数是精度事故的永恒温床，能定点就不浮点。

课件 PDF

打开 PDF