浮点数基础：IEEE754标准详解、单精度与双精度格式、浮点数的精度与动态范围
各位同学，咱们今天聊聊浮点数。说实话，我刚开始做嵌入式开发那会儿，对浮点数也是敬而远之。总觉得这东西玄乎，不如定点数来得踏实。直到有一次，我在一个音频处理项目里，用定点数算滤波器系数，算出来的结果怎么都对不上仿真——折腾了两天，最后发现是定点数精度不够，小数点后面丢了太多东西。从那以后，我就老老实实把IEEE754标准啃了一遍。
嗯，咱们今天就把这个基础打牢。你想想看，DSP算法里到处都是浮点运算，不理解浮点数的底层原理，你写出来的代码就是空中楼阁。
1. 为什么需要浮点数？
说白了，计算机里存数字就两种方式：定点数和浮点数。定点数就像一把固定刻度的尺子，能表示的范围和精度都是死的。比如16位定点数，你定了Q15格式（1位符号+15位小数），那它能表示的范围就是-1到0.9999，精度是1/32768。
但实际工程中，我们经常遇到这种情况：信号幅度从0.001V到1000V，频率从几Hz到几MHz。定点数根本招架不住。要么范围不够，要么精度不够。浮点数就是来解决这个矛盾的——它用科学计数法的思路，把数字拆成「符号+指数+尾数」三部分。
核心思想：浮点数用有限的二进制位，通过动态调整指数，在很大范围内保持相对精度。说白了，就是「大数能表示，小数也能表示」。
2. IEEE754标准——浮点数的「宪法」
1985年，IEEE发布了754标准，统一了浮点数的编码方式。我当年在学校学这个的时候，觉得这标准就是一堆位操作，枯燥得很。后来在项目中调试一个浮点运算异常，才发现这标准里的每一个细节，都是前人踩过的坑。
IEEE754定义了三种基本格式：
- 单精度（float32）：32位，1位符号 + 8位指数 + 23位尾数
- 双精度（float64）：64位，1位符号 + 11位指数 + 52位尾数
- 半精度（float16）：16位，1位符号 + 5位指数 + 10位尾数（2008年加入）
咱们做DSP最常用的是单精度和双精度。半精度在AI推理和GPU上用得比较多，嵌入式里偶尔也会见到。
3. 单精度格式详解
咱们拿单精度开刀，把它拆开看看。
一个32位的单精度浮点数，从高位到低位是这样排的：
位31: 符号位（0正1负）
位30-23: 指数位（8位，偏移127）
位22-0: 尾数位（23位，隐含整数位1）这里有个关键点：隐含整数位。IEEE754规定，规格化浮点数的尾数部分，整数位总是1（二进制），所以这个1就不存了，只存小数部分。这样23位尾数实际上提供了24位的精度。
举个例子，把十进制数3.14转成单精度浮点数：
- 3.14的二进制是 11.00100011110101110000101...
- 规格化：1.100100011110101110000101 × 2^1
- 指数 = 1 + 127 = 128 = 10000000
- 尾数 = 10010001111010111000010（去掉整数位的1，取23位）
- 符号位 = 0
所以3.14的二进制表示就是：
0 10000000 10010001111010111000010我的小技巧：调试浮点数的时候，我习惯用联合体（union）把float和uint32_t映射到一起，直接看十六进制。比如0x4048F5C3就是3.14。这样排查精度问题特别快。
4. 双精度格式详解
双精度就是单精度的「放大版」。指数位从8位变成11位，尾数位从23位变成52位。偏移量也从127变成1023。
双精度能表示的范围大约是 ±2.23×10^(-308) 到 ±1.80×10^(308)。这个范围有多大？我举个例子：宇宙中可观测的原子数量大约是10^80，双精度能轻松表示这个数，而且还能精确到小数点后好几位。
但代价也很明显——占内存。一个双精度数占8字节，在嵌入式系统里，如果数组很大，内存很快就爆了。我在做雷达信号处理的时候，一个1024点的FFT，如果用双精度存中间结果，内存直接翻倍。后来我改成单精度+定点数混合方案，才把内存压下来。
| 特性 | 单精度 | 双精度 |
|---|---|---|
| 总位数 | 32 | 64 |
| 指数位数 | 8 | 11 |
| 尾数位数 | 23 | 52 |
| 指数偏移 | 127 | 1023 |
| 最大正数 | 3.40×10^38 | 1.80×10^308 |
| 最小正规格化数 | 1.18×10^(-38) | 2.23×10^(-308) |
| 精度（十进制） | 约7位 | 约16位 |
5. 精度与动态范围——工程中的「生死线」
精度和动态范围，这两个概念我建议你刻在脑子里。
精度：浮点数能区分的最小相邻数值。对于单精度，在1.0附近，精度大约是1.19×10^(-7)。也就是说，1.0和1.0000001在单精度里是同一个数。
动态范围：最大可表示数与最小可表示数的比值。单精度的动态范围大约是10^83，双精度是10^616。
这里有个坑，我踩过好几次：浮点数的精度不是均匀的。数值越大，绝对精度越差。比如单精度在10^6附近，精度只有0.1左右；在10^12附近，精度已经退化到1000了。
避坑指南：我曾经在一个惯性导航项目里，用单精度累加陀螺仪的角速度。累加了几分钟后，数值到了10^7量级，这时候每次累加的最小步长是1.0左右。但陀螺仪的精度是0.01度/秒，每秒采样100次。结果就是：小角速度变化根本累加不进去，导航误差越来越大。后来改成双精度，问题才解决。
6. 特殊值——那些「不正经」的浮点数
IEEE754还定义了一些特殊值，这些在工程中经常遇到：
- NaN（Not a Number）：指数全1，尾数非0。比如0/0、∞-∞的结果。
- 无穷大：指数全1，尾数为0。比如1/0的结果。
- 零：指数和尾数全0。注意有+0和-0之分。
- 非规格化数：指数全0，尾数非0。用于表示接近0的极小值。
非规格化数这个设计，我一开始觉得多此一举。后来做音频降噪算法，信号中有极小的噪声分量，如果用规格化数，这些分量直接下溢成0，噪声反而去不干净。非规格化数保证了「渐变到0」的平滑性。
7. 知识体系总览
下面这张图，是我自己总结的浮点数知识体系。每次做浮点运算优化的时候，我都会对照着看一遍，确保没有遗漏。
8. 实战中的几点建议
最后，结合我这些年的经验，给你几条实在的建议：
- 能用单精度就别用双精度。嵌入式系统里，内存和带宽都是稀缺资源。除非你明确知道精度不够，否则单精度是性价比最高的选择。
- 警惕大数吃小数。比如 1e10 + 1.0，在单精度里结果还是 1e10。因为1.0在1e10面前，精度根本不够。我习惯在累加之前先判断数量级，必要时用Kahan求和算法。
- 不要直接用==判断浮点数相等。这个坑太经典了。我一般用 fabs(a-b) < epsilon，epsilon根据具体场景取1e-6或1e-9。
- 注意编译器的浮点优化选项。有些编译器为了性能，会改变浮点运算的顺序，导致结果不一致。我在GCC里一般用 -ffloat-store 来保证可重复性。
好了，浮点数的基础就讲到这里。这些东西看着简单，但真正用好，需要你在项目中反复体会。下一节咱们聊定点数，那又是另一番天地了。
公众号:蓝海资料掘金营，微信deep3321