IEEE-754 中的舍入方法

IEEE-754 中的舍入方法

并非所有实数都可以精确地存储为浮点数。
考虑一个以归一化浮点数形式表示的实数: x = ± 1. b 1 b 2 b 3 . . . b n . . . × 2 m x = \pm 1.b_1 b_2 b_3 ... b_n ... \times 2^m x=±1.b1​b2​b3​...bn​...×2m,其中 n n n 是尾数中的位数, m m m 是给定浮点数系统的指数。若 x x x 没有精确的浮点数表示,则会用最近的两个浮点数 x − x_{-} x−​ 或 x + x_{+} x+​ 来表示。

为简化讨论,设 x x x 为一个正数。在此情形下,有: x − = 1. b 1 b 2 b 3 . . . b n × 2 m x_{-} = 1.b_1 b_2 b_3 ... b_n \times 2^m x−​=1.b1​b2​b3​...bn​×2m 和 x + = 1. b 1 b 2 b 3 . . . b n × 2 m + 0. 000000...0001 ⏟ n  位 × 2 m x_{+} = 1.b_1 b_2 b_3 ... b_n \times 2^m + 0.\underbrace{000000...0001}_{n\text{ 位}} \times 2^m x+​=1.b1​b2​b3​...bn​×2m+0.n 位 000000...0001​​×2m ,将实数 x x x替换为附近的机器数( x − x_{-} x−​或 x + x_{+} x+​)的过程称为 舍入,其中涉及的误差称为 舍入误差。
舍入线
IEEE-754 并未明确规定如何舍入浮点数,但有几种不同的方法:

  • 向零舍入
  • 向正无穷舍入
  • 向上舍入
  • 向下舍入
  • 向最近的浮点数舍入(向上或向下,取决于哪个更近)
  • 截断舍入

我们将浮点数表示为 f l ( x ) fl(x) fl(x)。上述舍入规则可以总结如下:

x x x为正数 x x x为负数
向上取整(ceil) f l ( x ) = x + fl(x)=x_+ fl(x)=x+​
向 + ∞ +\infty +∞取整
f l ( x ) = x − fl(x)=x_- fl(x)=x−​
向 0 0 0取整
向下取整(floor) f l ( x ) = x − fl(x)=x_- fl(x)=x−​
向 0 0 0取整
f l ( x ) = x + fl(x)=x_+ fl(x)=x+​
向 − ∞ -\infty −∞取整

截断舍入: f l ( x ) = x − fl(x) = x_{-} fl(x)=x−​

舍入误差

注意,两个机器数之间的差距为: ∣ x + − x − ∣ = 0. 000000...0001 ⏟ n  位 × 2 m = ϵ m × 2 m |x_{+} - x_{-}| = 0.\underbrace{000000...0001}_{n\text{ 位}} \times 2^m = \epsilon_m \times 2^m ∣x+​−x−​∣=0.n 位 000000...0001​​×2m=ϵm​×2m。因此,我们可以使用机器 epsilon 来限制将实数表示为机器数时的误差。

绝对误差

∣ f l ( x ) − x ∣ ≤ ∣ x + − x − ∣ = ϵ m × 2 m |fl(x) - x| \le |x_{+} - x_{-}| = \epsilon_m \times 2^m ∣fl(x)−x∣≤∣x+​−x−​∣=ϵm​×2m

∣ f l ( x ) − x ∣ ≤ ϵ m × 2 m |fl(x) - x| \le \epsilon_m \times 2^m ∣fl(x)−x∣≤ϵm​×2m

相对误差:

∣ f l ( x ) − x ∣ ∣ x ∣ ≤ ϵ m × 2 m ∣ x ∣ \dfrac{|fl(x) - x|}{|x|} \le \dfrac{\epsilon_m \times 2^m}{|x|} ∣x∣∣fl(x)−x∣​≤∣x∣ϵm​×2m​

∣ f l ( x ) − x ∣ ∣ x ∣ ≤ ϵ m \dfrac{|fl(x) - x|}{|x|} \le \epsilon_m ∣x∣∣fl(x)−x∣​≤ϵm​

浮点运算的数学性质

  • 不一定满足结合律: ( x + y ) + z ≠ x + ( y + z ) (x + y) + z \neq x + (y + z) (x+y)+z=x+(y+z),因为 f l ( f l ( x + y ) + z ) ≠ f l ( x + f l ( y + z ) ) fl(fl(x + y) + z) \neq fl(x + fl(y + z)) fl(fl(x+y)+z)=fl(x+fl(y+z))。

  • 不一定满足分配律: z ⋅ ( x + y ) ≠ z ⋅ x + z ⋅ y z \cdot (x + y) \neq z \cdot x + z \cdot y z⋅(x+y)=z⋅x+z⋅y,因为 f l ( z ⋅ f l ( x + y ) ) ≠ f l ( f l ( z ⋅ x ) + f l ( z ⋅ y ) ) fl(z \cdot fl(x + y)) \neq fl(fl(z \cdot x) + fl(z \cdot y)) fl(z⋅fl(x+y))=fl(fl(z⋅x)+fl(z⋅y))。

  • 不一定满足累积性:反复将一个非常小的数加到一个大数上可能没有任何效果。

浮点加法

将两个浮点数相加相对简单。基本思路是:

  1. 将两个数调整到相同的指数。
  2. 从前面开始进行小学加法,直到用完系统中的位数。
  3. 对结果进行舍入。

例如,为了在一个只有 3 位小数部分的浮点系统中将 a = ( 1.101 ) 2 × 2 1 a = (1.101)_2 \times 2^1 a=(1.101)2​×21 和 b = ( 1.001 ) 2 × 2 − 1 b = (1.001)_2 \times 2^{-1} b=(1.001)2​×2−1 相加,这将如下所示:
a = 1.101 × 2 1 b = 0.01001 × 2 1 a + b = 1.111 × 2 1 a=1.101\times 2^1 \\b=0.01001\times 2^1\\ a+b=1.111\times 2^1 a=1.101×21b=0.01001×21a+b=1.111×21
你会注意到,我们加了两个具有 4 位有效数字的数,结果也有 4 位有效数字。浮点加法中没有有效数字的损失。

浮点减法与灾难性消去

浮点减法的工作原理与加法类似。然而,当减去两个大小相近的数时,会出现问题。
例如,为了从 a = ( 1.1011 ) 2 × 2 1 a = (1.1011)_2 \times 2^1 a=(1.1011)2​×21 中减去 b = ( 1.1010 ) 2 × 2 1 b = (1.1010)_2 \times 2^1 b=(1.1010)2​×21,这将如下所示:
a = 1.1011 ? ? ? ? × 2 1 b = 1.1010 ? ? ? ? × 2 1 a − b = 0.0001 ? ? ? ? × 2 1 a=1.1011????\times 2^1\\ b=1.1010????\times 2^1\\ a-b=0.0001????\times 2^1 a=1.1011????×21b=1.1010????×21a−b=0.0001????×21
当我们对结果进行归一化时,得到 1. ? ? ? ? × 2 − 3 1.???? \times 2^{-3} 1.????×2−3。没有数据可以指示缺失的数字应该是什么。尽管浮点数将存储 4 位小数部分,但它只准确到 1 位有效数字。这种有效数字的损失称为 灾难性消去。

示例

考虑函数 f ( x ) = x 2 + 1 − 1 f(x) = \sqrt{x^{2} + 1} - 1 f(x)=x2+1 ​−1。当我们在接近零的值处评估 f ( x ) f(x) f(x) 时,可能会由于浮点减法而遇到有效数字的损失。如果 x = 1 0 − 3 x = 10^{-3} x=10−3,使用五位小数算术, f ( 1 0 − 3 ) = 1 0 − 6 + 1 − 1 = 0 f(10^{-3}) = \sqrt{10^{-6} + 1} - 1 = 0 f(10−3)=10−6+1 ​−1=0。
避免有效数字损失的一种方法是消除减法:
f ( x ) = x 2 + 1 − 1 = ( x 2 + 1 − 1 ) ⋅ ( x 2 + 1 + 1 ) x 2 + 1 + 1 = x 2 ( x 2 + 1 + 1 ) f(x) = \sqrt{x^{2} + 1} - 1 = \dfrac{ (\sqrt{x^{2} + 1} - 1) \cdot (\sqrt{x^{2} + 1} + 1) } { \sqrt{x^{2} + 1} + 1 } = \dfrac{ x^{2} } { (\sqrt{x^{2} + 1} + 1) } f(x)=x2+1 ​−1=x2+1 ​+1(x2+1 ​−1)⋅(x2+1 ​+1)​=(x2+1 ​+1)x2​
因此,对于 x = 1 0 − 3 x = 10^{-3} x=10−3,使用五位小数算术, f ( 1 0 − 3 ) = 1 0 − 6 2 f(10^{-3}) = \dfrac{ 10^{-6} } { 2 } f(10−3)=210−6​。

posted @ 2025-02-14 22:26  椰萝Yerosius  阅读(219)  评论(0)    收藏  举报  来源