发布于 2015-05-29 20:15:20
使用其硬件协处理器(最初的8087)的80x86代码提供了三个级别的精度:32位、64位和80位。这些都非常紧跟1985年的IEEE-754标准。最近的标准指定了一个128位格式。浮点格式有24、53、65和113尾数位,它们对应于7.22、15.95、19.57和34.02小数位的精度。
公式为mantissa_bits / log_2 10,其中对数基数为2/10为3.321928095。
虽然任何特定实现的精度没有变化,但当浮点值转换为十进制时,可能会出现这种情况。注意,值0.1没有确切的二进制表示形式。它是一个重复位模式(0.00011001100110011001100110011001100.)就像我们习惯在小数点0.3333333333333到大约1/3。
许多语言通常不支持80位格式。一些C编译器可能提供使用80位浮点数或128位浮点数的long double。唉,它也可能使用64位浮点数,这取决于实现。
NPU有80位寄存器,并使用完整的80位结果执行所有操作。在NPU堆栈中计算的代码受益于这种额外的精度。不幸的是,糟糕的代码生成--或者写得不好的代码--可能会通过将它们存储在32位或64位变量中来截断或绕过中间计算。
发布于 2015-05-29 20:01:12
浮点精度是可变的还是不变的,为什么?
通常,给定2的幂范围内的任何数字,浮点精度是不变的-一个固定的值.绝对精度随2级功率的变化而变化.在整个FP范围内,精度大约相对于星等。将这种相对二进制精度与十进制精度联系起来会引起DBL_DIG和DBL_DECIMAL_DIG小数位数之间的抖动--通常是15到17位。
什么是精确?对于FP,讨论相对精度是最有意义的。
浮点数的形式如下:
符号* Significand *pow(基,指数)
它们有对数分布。100.0到3000.0 (范围为30倍)之间的浮点数大约与2.0到60.0之间的浮点数相同。无论底层存储表示形式如何,这都是正确的。
1.23456789e100的相对精度与1.23456789e-100大致相同。
大多数计算机都将double定义为binary64。这种格式有53位二进制精度。
在(2.0-1.0)/pow(2,52)中,1.0和2.0之间的/pow数的绝对精度为1。
在( 128.0 - 64.0 )/pow(2,52)中,介于64.0和128.0之间的数,也是/pow的绝对精度为1。
即使是2的幂之间的一组数,也有同样的绝对精度。
在整个FP数的正常范围内,这近似于一个一致的相对精度。
当这些数字表示为十进制时,精度抖动:数字1.0到2.0的绝对精度比数字2.0到4.0多1位。超过4.0至8.0等的2位
C提供DBL_DIG、DBL_DECIMAL_DIG以及它们的float和long double对应项。DBL_DIG表示最小相对十进制精度。DBL_DECIMAL_DIG可以被认为是最大的相对十进制精度。
通常情况下,这意味着给定的double将具有15到17位小数位的精度。
以1.0及其下一个可表示的double为例,在第17位有意义的十进制数字之前,数字不会改变。下一个double分别是pow(2,-52)或2.2204e-16。
/*
1 234567890123456789 */
1.000000000000000000...
1.000000000000000222...现在,将"8.521812787393891"及其下一个可表示的数字考虑为使用16位有效小数的十进制字符串。转换为double的这两个字符串都是相同的8.521812787393891142073699...,尽管它们在16位数上有所不同。说这个double有16位数的精确度是夸大了。
/*
1 234567890123456789 */
8.521812787393891
8.521812787393891142073699...
8.521812787393892发布于 2015-06-06 19:50:42
不,它是可变的。起点是非常薄弱的IEEE-754标准,它只确定浮动指针的格式,因为它们存储在内存中。单精度有7位精度,双精度有15位。
但该标准的一个主要缺陷是,它没有具体说明如何执行计算。还有麻烦,特别是英特尔8087浮点处理器让程序员们睡不着觉。该芯片的一个重大设计缺陷是它存储的浮点值的位数比内存格式多。80位而不是32位或64位这种设计选择背后的理论是,这允许中间计算更精确,并导致较少的舍入误差。
听起来是个不错的主意,但在实践中却没有很好的结果。编译器编写器将尽可能长时间地尝试生成将中间值存储在FPU中的代码。对代码速度来说很重要,将值存储回内存是很昂贵的。问题是,他经常必须将值存储回去,FPU中的寄存器数量有限,并且代码可能会跨越函数边界。此时,该值将被截断,并失去许多精度。对源代码的小改动现在可以产生截然不同的值。另外,程序的非优化构建会产生与优化程序不同的结果。以一种完全不可诊断的方式,您必须查看机器代码,才能知道结果为何不同。
Intel重新设计了他们的处理器来解决这个问题,SSE指令集用与内存格式相同的位数进行计算。然而,重新设计编译器的代码生成器和优化器是一项重要的投资。三大C++编译器都已切换。但是,例如,x86框架中的.NET抖动仍然生成FPU代码,它总是这样。
其次是系统误差,精度下降是转换和计算不可避免的副作用。首先,人类在基数10中工作,但处理器使用基2。我们使用的好整数,比如0.1,不能在处理器上转换成漂亮的整数。0.1作为10的幂之和是完美的,但没有产生相同值的2的有限幂和。转换它产生无限的1s和0,就像你不能完美地写出10 / 3一样。因此,它需要被截断以适应处理器,从而产生一个与十进制值相距为+/- 0.5位的值。
计算会产生误差。乘法或除法使结果中的位数加倍,将其舍入到存储的值中会产生+/- 0.5位错误。减法是最危险的操作,可以造成大量的重大数字损失。如果您计算1.234567f - 1.234566f,则结果只剩下一个有效数字。结果太糟糕了。求和数值几乎相同的数字之间的差异是数值算法中非常常见的一种。
得到过多的系统性错误最终是数学模型中的一个缺陷。就像一个例子,你永远不想使用高斯消去,它是非常不友好的精度。并且总是考虑另一种方法,LU分解是一种很好的方法。然而,并不常见的是,一位数学家参与了模型的建立,并对结果的预期精度进行了解释。一本像“数值法则”这样的普通书也没有对精确性给予足够的重视,尽管它通过提出更好的模型间接地帮助你远离糟糕的模型。最后,程序员经常会被这个问题困住。嗯,这很容易,任何人都可以做到,我就会失去一份好的、有薪的工作:)
https://stackoverflow.com/questions/30537330
复制相似问题