1. 這篇博客將要討論什么？

說來慚愧，作為計算機科班出身的人，計算機基礎知識掌握并不扎實，這里的基礎指的是計算機體系結構中的內容，諸如數據的表示和處理，如float的表示和運算等?？础禖SAPP》方知人家老外把這個東西當成重中之重，大量詳細的原理介紹，并配套大量例題。當初本科學的時候，很簡單的了解了下概念而已，所以應該直接將《CSAPP》當做教材來用，里面習題全做，這樣CS出來的基本知識將掌握的很扎實。

學藝不精的后果就在于：學而不思則罔。圣人太厲害了，總結得很到位。比如最近項目中涉及到浮點和定點的轉換，自己就有點蒙，邊看邊實驗，還算理解了，作文以記之。

一直以來，程序中接觸的數據類型都是int整型，char字符型，float單精度浮點型，double雙精度浮點型。看到浮點和定點一直不知道如何劃分這個概念的范疇。以為浮點就是float表示小數，定點就是int可表示整數而已。經過學習明白了顯然是錯誤的。應該是這樣劃分的：

浮點：小數點非固定的數，可表示數據范圍較廣，整數，小數都可表示。包含float，double；

定點：小數點固定，可表示整數，小數。int本質是小數點位于末尾的32位定點數而已；

有了這個認識，后面的討論就可以開始了。

2. 浮點數的表示法

浮點數以float為例討論。

2.1 IEEE 754標準

規定浮點數格式為：
圖片居中使用：

s表示符號位，當s=0，V為正數；當s=1，V為負數

M表示尾數，2>M>=1

E表示階碼

將其封裝到32位的字中：

根據32位數計算為十進制：

可以得出以下結論：

浮點數表示比整型那些更為復雜。如int中0…01000表示8，0…01001表示9，而浮點不能這樣簡單。

浮點數不能移位。因為各個位有特殊含義。像int數乘2可以左移1位實現。

2.2 浮點數的“浮”字體現在哪里？

我們說浮點數的小數點不是固定的，是浮動的，那么如何理解？通過例子可直觀體驗。

這個浮點數表示十進制的1.125

若階碼不變，尾數加1，則表示十進制的1.25

若尾數不變，階碼加1，則表示十進制的2.25

3. 定點數的表示法

對于計算機來說，浮點定點的概念是看不見的，因為它只能看到：0…00001110，至于它表示多少，是邏輯層面的設置。你如果讓它是int那就按照int表示法對每個位賦予意義，如果你讓它是float就按照float表示法賦予意義。

對于000111000001110000011100表示的定點數：

如果我們設定小數點是位于最后一位的，即00011100.00011100.00011100.則其表示28

若設定小數點位于后三位的，即00011.10000011.10000011.100則其表示3.50

若設定小數點位于后四位的，即0001.11000001.11000001.1100則其表示1.75

可以看到：

小數位數越多，表示的精度越高。若小數點后有n位，則其表示的最大精度為

1/(2n);

整數位數越多，可表示的最大值越大。

以8位為例，最高位為符號位：

若整數位占4位，小數位占3位，則其最大精度為0.125，最大值為15.875

若整數位占5位，小數位占2位，則其最大精度為0.250，最大值為31.750

若整數位占6位，小數位占1位，則其最大精度為0.500，最大值為63.500

若整數位占7位，小數位占0位，則其最大精度為1.000，最大值為127

4. 浮點數 & 定點數

4.1 為何要把浮點數轉換為定點數呢？

這來源于項目中神經網絡的需求，網絡中大量的參數，如果全部用F32表示，一是占用空間大，二是讀取效率不高。

如果我們可以將某些浮點數轉換為定點數表示，在接受精度損失的前提下，每次就可以讀取多個進行運行，可顯著提高運算效率。

舉例來說，我們用8位定點數，1個符號位，4個整數位，3個小數位，則其可表示范圍是-16.00~15.875，最大精度0.125。

有幾個浮點數：0.145，1.231，2.364，7.512，每個需要32bit表示。

如果我們將每個量化成一個8位定點數，比如通過某種方法得到：1，10，19，60

此時每個數需要8bit表示。那么讀一個浮點數，可以同時讀4個定點數，且計算效率可以提高。當然這樣做是有風險的：

損失精度，比如再將上述定點數轉化為浮點數：0.125，1.250， 2.375，7.500；

定點數表示范圍有限，加法有可能會溢出，需要拿int16或int32來暫存中間結果；

4.2 如何將浮點數轉換為定點數？

我們用8位定點數，1個符號位，4個整數位，3個小數位。這個3稱為量化系數。該過程稱為量化。

（我們總是將非離散值量化到離散值空間，處理更為簡單）

Int8=float32*2(3)

如：

Int8(10)=float32(1.231)*2(3)

4.3 如何將定點數轉換為浮點數？

該過程稱為反量化。

Float32=int8/2(3)

如：

Float32(1.250)=int8(10)/2(3)

4.4 note

可以這樣理解：量化系數 nnn 決定了我們邏輯上認為01序列中可表示的單位值 1/(2n)，CPU讀取的數字表示有多少份單位值。

舉例來說，對于固定的01序列值：0001,1100

同樣的int8數，因為量化系數的不同，代表著不同的f32值。

還有個note：

定點數加減時需要量化系數相同，其值有可能溢出，需要更大定點數來暫存中間值；

兩個定點數乘法后如果需要轉化為f32，則反量化系數變為2?n

5. 總結

可以看到：

浮點數和定點數的轉換是一種映射。將較為密集的數據空間（F32）映射到較為稀疏的空間（int8）；

定點數的小數點實際中是沒有的，這只是我們邏輯上的一種設定。01序列是一樣的，CPU讀取都是相同的，因為我們邏輯上小數點的不同位置，我們認為它代表的值是不同的；

作者：鳥戀舊林XD

原文鏈接：https://blog.csdn.net/niaolianjiulin/article/details/82764511

最后給大家一個在線的轉換工具：

https://www.h-schmidt.net/FloatConverter/IEEE754.html

示例：將浮點數55.12345轉換為32bit