浮点数

本文从一个有趣而诡异的实验开始。最先这个例子博主是从 Stackoverflow上的一个问题中看到的。为了提升可读性，博主这里作了改写，简化成了如下两段代码：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

#include <iostream> #include <string> using namespace std;   int main() {      const float x=1.1;      const float z=1.123;      float y=x;      for ( int j=0;j<90000000;j++)      {          y*=x;          y/=z;          y+=0.1f;          y-=0.1f;      }      return 0; }

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

#include <iostream> #include <string> using namespace std;   int main() {      const float x=1.1;      const float z=1.123;      float y=x;      for ( int j=0;j<90000000;j++)      {          y*=x;          y/=z;          y+=0;          y-=0;      }      return 0; }

上面两段代码的惟一差异就是第一段代码中y+=0.1f，而第二段代码中是y+=0。因为y会先加后减一样一个数值，照理说这两段代码的做用和效率应该是彻底同样的,固然也是没有任何逻辑意义的。假设如今我告诉你：其中一段代码的效率要比另外一段慢7倍。想必读者会认为必定是y+=0.1f的那段慢，毕竟它和y+=0相比看上去要多一些运算。可是，实验结果，却出乎意料， y+=0的那段代码比y+=0.1f足足慢了7倍。 。世界观被颠覆了有木有？博主是在本身的Macbook Pro上进行的测试，有兴趣的读者也能够在本身的笔记本上试试。（只要是支持SSE2指令集的CPU都会有类似的结果）。

1 2 3 4 5 6 7 8 9 10 11 12 13

shell> g++ code1.c -o test1 shell> g++ code2.c -o test2 shell> time ./test1   real    0m1.490s user    0m1.483s sys     0m0.003s   shell>  time ./test2   real    0m9.895s user    0m9.871s sys     0m0.009s

固然 原文中的投票最高的回答解释的很是好，但博主第一次看的时候是一头雾水，由于大部分基础知识已经还给大学老师了。因此，本着知其然还要知其因此然的态度，博主作了一个详尽的分析和思路整理过程。也但愿读者可以从0开始解释这个诡异现象的缘由。

复习浮点数的二进制转换

如今让咱们复习大学计算机基础课程。若是你熟练掌握了浮点数向二进制表达式转换的方法，那么你能够跳过这节。
咱们先来看下浮点数二进制表达的三个组成部分。

三个主要成分是：

• Sign（1bit）：表示浮点数是正数仍是负数。0表示正数，1表示负数
• Exponent（8bits）：指数部分。相似于科学技术法中的M*10^N中的N，只不过这里是以2为底数而不是10。须要注意的是，这部分中是以2^7-1即127，也即01111111表明2^0，转换时须要根据127做偏移调整。
• Mantissa（23bits）：基数部分。浮点数具体数值的实际表示。

下面咱们来看个实际例子来解释下转换过程。
Step 1 改写整数部分
以数值5.2为例。先不考虑指数部分，咱们先单纯的将十进制数改写成二进制。
整数部分很简单，5.即101.。

Step 2 改写小数部分
小数部分咱们至关于拆成是2^-1一直到2^-N的和。例如：
0.2 = 0.125+0.0625+0.007825+0.00390625即2^-3+2^-4+2^-7+2^-8….，也即.00110011001100110011

Step 3 规格化
如今咱们已经有了这么一串二进制101.00110011001100110011。而后咱们要将它规格化，也叫Normalize。其实原理很简单就是保证小数点前只有一个bit。因而咱们就获得了如下表示：1.0100110011001100110011 * 2^2。到此为止咱们已经把改写工做完成，接下来就是要把bit填充到三个组成部分中去了。

Step 4 填充
指数部分（Exponent）：以前说过须要以127做为偏移量调整。所以2的2次方，指数部分偏移成2+127即129，表示成10000001填入。
整数部分（Mantissa）：除了简单的填入外，须要特别解释的地方是1.010011中的整数部分1在填充时被舍去了。由于规格化后的数值整部部分老是为1。那你们可能有疑问了，省略整数部分后岂不是1.010011和0.010011就混淆了么？其实并不会，若是你仔细看下后者：会发现他并非一个规格化的二进制，能够改写成1.0011 * 2^-2。因此省略小数点前的一个bit不会形成任何两个浮点数的混淆。
具体填充后的结果见下图

练习：若是想考验本身是否充分理解这节内容的话，能够随便写一个浮点数尝试转换。经过 浮点二进制转换工具能够验证答案。

什么是Denormalized Number

了解完浮点数的表达之后，不难看出浮点数的精度和指数范围有很大关系。最低不能低过2^-7-1最高不能高过2^8-1（其中剔除了指数部分全0喝全1的特殊状况）。若是超出表达范围那么不得不舍弃末尾的那些小数，咱们成为overflow和underflow。甚至有时舍弃都没法表示，例如当咱们要表示一个：1.00001111*2^-7这样的超小数值的时候就没法用规格化数值表示，若是不想点其余办法的话，CPU内部就只能把它当作0来处理。那么，这样作有什么问题呢？最显然易见的一种反作用就是：当屡次作低精度浮点数舍弃的后，就会出现除数为0的exception，致使异常。固然精度失准严重起来也能够要人命，如下这个事件摘自wikipedia

On 25 February 1991, a loss of significance in a MIM-104 Patriot missile battery prevented it intercepting an incoming Scud missile in Dhahran, Saudi Arabia, contributing to the death of 28 soldiers from the U.S. Army’s 14th Quartermaster Detachment.[25] See also: Failure at Dhahran

因而乎就出现了Denormalized Number（后称非规格化浮点）。他和规格浮点的区别在于，规格浮点约定小数点前一位默认是1。而非规格浮点约定小数点前一位能够为0，这样小数精度就至关于多了最多2^22范围。

可是，精度的提高是有代价的。因为CPU硬件只支持，或者默认对一个32bit的二进制使用规格化解码。所以须要支持32bit非规格数值的转码和计算的话，须要额外的编码标识，也就是须要额外的硬件或者软件层面的支持。如下是wiki上的两端摘抄，说明了非规格化计算的效率很是低。> 通常来讲，由软件对非规格化浮点数进行处理将带来极大的性能损失，而由硬件处理的状况会稍好一些，但在多数现代处理器上这样的操做还是缓慢的。极端状况下，规格化浮点数操做可能比硬件支持的非规格化浮点数操做快100倍。

For example when using NVIDIA’s CUDA platform, on gaming cards, calculations with double precision take 3 to 24 times longer to complete than calculations using single precision.

若是要解释为何有如此大的性能损耗，那就要须要涉及电路设计了，超出了博主的知识范围。固然万能的wiki也是有答案的，有兴趣的读者能够自行查阅。

回到实验

总上面的分析中咱们得出了如下结论：

• 浮点数表示范围有限，精度受限于指数和底数部分的长度，超过精度的小数部分将会被舍弃（underflow）
• 为了表示更高精度的浮点数，出现了非规格化浮点数，可是他的计算成本很是高。

因而咱们就能够发现经过几十上百次的循环后，y中存放的数值无限接近于零。CPU将他表示为精度更高的非规格化浮点。而当y+0.1f时为了保留跟重要的底数部分，以后无限接近0（也即y以前存的数值）被舍弃，当y-0.1f后，y又退化为了规格化浮点数。而且以后的每次y*x和y/z时，CPU都执行的是规划化浮点运算。
而当y+0，因为加上0值后的y仍然能够被表示为非规格化浮点，所以整个循环的四次运算中CPU都会使用非规格浮点计算，效率就大大下降了。

其余

固然，也有在程序内部也是有办法控制非规范化浮点的使用的。在相关程序的上下文中加上fesetenv(FE_DFL_DISABLE_SSE_DENORMS_ENV);就能够迫使CPU放弃使用非规范化浮点计算，提升性能。咱们用这种办法修改上面实验中的代码后，y+=0的效率就和y+=0.1f就同样了。甚至还比y+=0.1f更快了些，世界观又端正了不是么:) 修改后的代码以下

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

#include <iostream> #include <string> #include <fenv.h> using namespace std;   int main() {      fesetenv(FE_DFL_DISABLE_SSE_DENORMS_ENV);      const float x=1.1;      const float z=1.123;      float y=x;      for ( int j=0;j<90000000;j++)      {          y*=x;          y/=z;          y+=0;          y-=0;      }      return 0; }