IEEE 754 浮点数原理教程

核心思想：二进制科学计数法

我们十进制科学计数法： a × 10e
计算机浮点数，就是把它改成二进制版本：

V = (-1)^s × M × 2^E

• s：符号位，0正数，1负数
• M：尾数（有效数字）
• E：真实指数（以2为底，可正、可负！）

例子：二进制 101.1 规约成 1.011 × 22

IEEE754 三段结构 与【指数偏移量 Bias】重点讲解

一个浮点数，比特位拆成三段：符号s指数E_raw（存储的偏移指数）尾数M

信息

什么是偏移量 Bias？

指数 E 可以是负数（比如 2^-3），但二进制比特本身只能保存无符号正数，无法直接存负数。
解决方案：存储的时候，给真实指数加上一个固定偏移量，把负数偏移成正数再保存。
公式：

存储的指数 E_raw = 真实指数 E + Bias
真实指数 E = E_raw - Bias

偏移量 Bias 的计算公式：Bias = 2(指数位数-1) -1

类型	总位数	符号位 s	指数位长度	尾数位 M	偏移量 bias	真实指数范围（规格化）	十进制有效精度
float 单精度	32 bit	1 bit	8 bit	23 bit	127	-126 ~ +127	6~7 位
double 双精度	64 bit	1 bit	11 bit	52 bit	1023	-1022 ~ +1023	15~16 位

注意

⭐ 隐藏前导1（最重要知识点）
规约化浮点数，一定写成 1.xxxx，整数部分永远是1，这个1不需要存入尾数，节省一位，所以float实际有效位数是 24bit。
完整浮点数计算公式：

V = (-1)^s × (1.M)₂ × 2^{(E_raw - bias)}

举个偏移量例子：
float，真实指数 E = -2
E_raw = -2 + 127 = 125。存储到8bit指数段的值就是125。
读取的时候，用 125 - 127 = -2，还原回真实指数。

实例：把 5.0 转成 float(32位)（演示偏移量计算）

1. 5 的二进制：101.0
2. 规约：1.01 × 22 → 真实指数 E = 2
3. 符号 s = 0（正数）
4. 使用偏移量127：E_raw = 2 + 127 = 129 → 二进制 10000001
5. 尾数M：小数点后面是 01，后面补0填满23位

0 | 10000001 | 01000000000000000000000

读取时反向计算指数：129 - 127 = 2，还原真实指数。

特殊编码（指数位全0 / 全1，偏移规则不再适用）

• 指数全1，尾数=0 → ±Infinity 无穷大
• 指数全1，尾数≠0 → NaN 非数字（例如 0/0）
• 指数全0 → 非规格化数 Denormal
  不再使用偏移公式，也没有隐藏前导1，用来表示接近0的极小数字，计算性能会变慢。

信息

注意：偏移量规则 只适用于规格化浮点数。指数全部为0或者全部为1是特殊保留编码，不走这个偏移计算。

经典坑：0.1 + 0.2 ≠ 0.3

十进制0.1转换成二进制是无限循环小数，浮点数只能截断存储，产生舍入误差。这是浮点数天生缺陷，不是程序bug！

0.1 二进制：0.000110011001100110011...

注意

✅ 工程规范：不要直接用 == 判断浮点数相等，要用误差阈值

// C / C++ if (fabs(a - b) < 1e-6)

拓展：AI大模型常用 FP16 / BF16 的偏移量

• FP16（半精度）：1符号 + 5指数 +10尾数。指数5bit，偏移 Bias=15
• BF16（BrainFloat16）：1符号 +8指数 +7尾数。指数8bit，偏移 Bias=127（和float完全一样，所以指数范围和float相同）

BF16在深度学习广泛使用，得益于它和float拥有相同偏移量，指数范围一致，不容易溢出。

总结

浮点数本质就是二进制科学计数法。
偏移量Bias核心目的：把可正可负的指数，转换成无符号正数存入二进制位。
固定比特拆分符号、偏移指数、尾数；优点是固定长度就可以存储极大、极小数字；缺点是离散近似，存在舍入误差。