浮点型

和使用广泛的整型相比,浮点型的使用场景就相对聚焦了,主要集中在科学数值计算、图形图像处理和仿真、多媒体游戏以及人工智能等领域。我们这一部分对于浮点型的学习,主要是讲解Go语言中浮点类型在内存中的表示方法,这可以帮你建立应用浮点类型的理论基础。

浮点型的二进制表示

要想知道Go语言中的浮点类型的二进制表示是怎样的,我们首先要来了解 IEEE 754标准。

IEEE 754是IEEE制定的二进制浮点数算术标准,它是20世纪80年代以来最广泛使用的浮点数运算标准,被许多CPU与浮点运算器采用。现存的大部分主流编程语言,包括Go语言,都提供了符合IEEE 754标准的浮点数格式与算术运算。

IEEE 754标准规定了四种表示浮点数值的方式:单精度(32位)、双精度(64位)、扩展单精度(43比特以上)与扩展双精度(79比特以上,通常以80位实现)。后两种其实很少使用,我们重点关注前面两个就好了。

Go语言提供了float32与float64两种浮点类型,它们分别对应的就是IEEE 754中的单精度与双精度浮点数值类型。不过,这里要注意,Go语言中没有提供float类型。这不像整型那样,Go既提供了int16、int32等类型,又有int类型。换句话说,Go提供的浮点类型都是平台无关的。

那float32与float64这两种浮点类型有什么异同点呢?

无论是float32还是float64,它们的变量的默认值都为0.0,不同的是它们占用的内存空间大小是不一样的,可以表示的浮点数的范围与精度也不同。那么浮点数在内存中的二进制表示究竟是怎么样的呢?

浮点数在内存中的二进制表示(Bit Representation)要比整型复杂得多,IEEE 754规范给出了在内存中存储和表示一个浮点数的标准形式,如下:

<sheet sheet-id="FKllrP" token="QYbJsKyC8hSmaGtfGpuckE8Fnzf"></sheet>

我们看到浮点数在内存中的二进制表示分三个部分:符号位、阶码(即经过换算的指数),以及尾数。这样表示的一个浮点数,它的值等于:

其中浮点值的符号由符号位决定:当符号位为1时,浮点值为负值;当符号位为0时,浮点值为正值。公式中offset被称为阶码偏移值,这个我们待会再讲。

我们首先来看单精度(float32)与双精度(float64)浮点数在阶码和尾数上的不同。 这两种浮点数的阶码与尾数所使用的位数是不一样的,你可以看下IEEE 754标准中单精度和双精度浮点数的各个部分的长度规定:

浮点类型 符号位(bit位数) 阶码(bit位数) 阶码偏移量 尾数(bit位数)
单精度(float32) 1 8 127 23
双精度(float64) 1 11 1023 53

我们看到,单精度浮点类型(float32)为符号位分配了1个bit,为阶码分配了8个bit,剩下的23个bit分给了尾数。而双精度浮点类型,除了符号位的长度与单精度一样之外,其余两个部分的长度都要远大于单精度浮点型,阶码可用的bit位数量为11,尾数则更是拥有了52个bit位。

接着,我们再来看前面提到的“阶码偏移值”,我想用一个例子直观地让你感受一下。 在这个例子中,我们来看看如何将一个十进制形式的浮点值139.8125,转换为IEEE 754规定中的那种单精度二进制表示。

步骤一:我们要把这个浮点数值的整数部分和小数 部分,分别转换为二进制形式(后缀d表示十进制数,后缀b表示二进制数):

这样,原浮点值 139.8125d 进行二进制转换后,就变成 10001011.1101b。

步骤二:移动小数点,直到整数部分仅有一个1, 也就是10001011.1101b => 1.00010111101b。我们看到,为了整数部分仅保留一个1,小数点向左移了7位,这样指数就为7,尾数为00010111101b。

步骤三:计算阶码。

IEEE754规定不能将小数点移动得到的指数,直接填到阶码部分,指数到阶码还需要一个转换过程。对于float32的单精度浮点数而言,阶码 = 指数 + 偏移值。偏移值的计算公式为2^(e-1)-1,其中e为阶码部分的bit位数,这里为8,于是 单精度浮点数的阶码偏移值 就为2^(8-1)-1 = 127。这样在这个例子中,阶码 = 7 + 127 = 134d = 10000110b。float64的双精度浮点数的阶码计算也是这样的。

步骤四:将符号位、阶码和尾数填到各自位置,得到最终浮点数的二进制表示。 尾数位数不足23位,可在后面补0。

符号位 阶码 尾数
0 10000110 00010111101(000000000000)

这样,最终浮点数 139.8125d 的二进制表示就为 0b_0_10000110_00010111101_000000000000。

最后,我们再通过Go代码输出浮点数 139.8125d 的二进制表示,和前面我们手工转换的做一下比对,看是否一致。

func main() {
    var f float32 = 139.8125
    bits := math.Float32bits(f)
    fmt.Printf("%b\n", bits)
}

在这段代码中,我们通过标准库的math包,将float32转换为整型。在这种转换过程中,float32的内存表示是不会被改变的。然后我们再通过前面提过的整型值的格式化输出,将它以二进制形式输出出来。运行这个程序,我们得到下面的结果:

1000011000010111101000000000000

我们看到这个值在填上省去的最高位的0后,与我们手工得到的浮点数的二进制表示一模一样。这就说明我们手工推导的思路并没有错。 而且,你可以从这个例子中感受到,阶码和尾数的长度决定了浮点类型可以表示的浮点数范围与精度。因为双精度浮点类型(float64)阶码与尾数使用的比特位数更多,它可以表示的精度要远超单精度浮点类型,所以在日常开发中,我们使用双精度浮点类型(float64)的情况更多,这也是Go语言中浮点常量或字面值的默认类型。 而float32由于表示范围与精度有限,经常会给开发者造成一些困扰。比如我们可能会因为float32精度不足,导致输出结果与常识不符。比如下面这个例子就是这样,f1与f2两个浮点类型变量被两个不同的浮点字面值初始化,但逻辑比较的结果却是两个变量的值相等。至于其中原因,我将作为思考题留给你,你可以结合前面讲解的浮点类型表示方法,对这个例子进行分析:

var f1 float32 = 16777216.0
var f2 float32 = 16777217.0
fmt.Println(f1 == f2) // true

看到这里,你是不是觉得浮点类型很神奇?和易用易理解的整型相比,浮点类型无论在二进制表示层面,还是在使用层面都要复杂得多。即便是浮点字面值,有时候也不是一眼就能看出其真实的浮点值是多少的。下面我们就接着来分析一下浮点型的字面值。

字面值与格式化输出

Go浮点类型字面值大体可分为两类,一类是 直白地用十进制表示的浮点值形式。这一类,我们通过字面值就可直接确定它的浮点值,比如:

  1. 3.1415
    .15 // 整数部分如果为0,整数部分可以省略不写
    81.80
    // 小数部分如果为0,小数点后的0可以省略不写

另一类则是 科学计数法形式。采用科学计数法表示的浮点字面值,我们需要通过一定的换算才能确定其浮点值。而且在这里,科学计数法形式又分为十进制形式表示的,和十六进制形式表示的两种。

我们先来看十进制科学计数法形式的浮点数字面值,这里字面值中的e/E代表的幂运算的底数为10:

6674.28e-2 // 6674.28 * 10^(-2) = 66.742800
.12345E+5  // 0.12345 * 10^5 = 12345.000000

接着是十六进制科学计数法形式的浮点数:

0x2.p10  // 2.0 * 2^10 = 2048.000000
0x1.Fp+0 // 1.9375 * 2^0 = 1.937500

这里,我们要注意,十六进制科学计数法的整数部分、小数部分用的都是十六进制形式,但指数部分依然是十进制形式,并且字面值中的p/P代表的幂运算的底数为2。 知道了浮点型的字面值后,和整型一样,fmt包也提供了针对浮点数的格式化输出。我们最常使用的格式化输出形式是%f。通过%f,我们可以输出浮点数最直观的原值形式。

var f float64 = 123.45678
fmt.Printf("%f\\n", f) // 123.456780

我们也可以将浮点数输出为科学计数法形式,如下面代码:

fmt.Printf("%e\\n", f) // 1.234568e+02
fmt.Printf("%x\\n", f) // 0x1.edd3be22e5de1p+06

其中%e输出的是十进制的科学计数法形式,而%x输出的则是十六进制的科学计数法形式。

十进制下,float32的有效数字大约是6位,float64的有效数字大约是15位。绝大多数情况下,应优先选用float64,因为除非格外小心,否则float32的运算会迅速累积误差。另外,float32能精确表示的正整数范围有限