这是本人系列《底层的世界——计算机组成原理》的第二章——数的世界，用于记录分享和期末复习，欢迎讨论！
引言：在计算机的世界里，所有数据最终都以二进制的0和1存储。整数的表示相对简单，但当我们需要处理小数时，问题就变得复杂起来——计算机硬件本身并不认识”小数点”这个符号。为了解决小数的表示与运算问题，人类先后发明了定点数和浮点数两种方案。它们诞生于不同的时代背景，有着截然不同的设计哲学，至今仍在各自的领域发挥着重要作用。
计算机世界的”小数点”
小数，生活中非常常见。特别是我染上ds后深深的体会到了：今日吞5毛，明日吞3角，然后得一昔安寝——小数，对我这种穷逼来说，非常重要。
但是小数这个概念，根本就不存在于计算机的世界，为了表示数，秃头的老辈子们发明了定点数和浮点数。
一、定点数：小数点——约吗？
什么是定点数？（定点数的定义与背景）
只有整数怎么办？其中一种表示小数的方法就是把小数定下来。
定点数是计算机发展早期的产物。在20世纪中叶，计算机硬件极为简陋，运算单元只能处理整数运算，没有专门的浮点运算硬件。为了表示小数，工程师们想出了一个朴素的办法：人为约定小数点在二进制数位中的固定位置，这样就可以用整数运算来间接处理小数。
小数点：“约吗？”
例如：十进制的 78.125
整数部分：78使用二进制表示为：100 1110
小数部分：0.125使用二进制表示为：.001
所以合起来使用100 1110.001 表示十进制的78.125为什么不是78.91，因为91转2进制除不尽
神秘的表示方式：Q格式
拓展内容，初学者可以不看
定点数最常用的表示方法是Q格式（Q notation），其核心思想是将一个整数”放大”一定倍数来表示小数。
标准格式：Qm.n
注解：
- m：整数部分的位数（不包含符号位）
- n：小数部分的位数
- 总位数 = m + n + 1（额外1位是符号位）
例如，最常见的Q15格式（16位有符号数）：
- 1位符号位 + 0位整数位 + 15位小数位
- 数值范围：-1 ≤ x < 0.9999695
- 精度：2⁻¹⁵ ≈ 0.0000305
残疾人转换公式：
- 浮点数 → 定点数：$Q = F × 2^n$ 其中Q为整数
- 定点数 → 浮点数：$F = Q × 2^{-n}$
举个例子，用Q15表示0.5：
0.5 × 2¹⁵ = 16384 转二进制为100 0000 0000 0000
| 符号位 | 数值 |
|---|---|
| 0 | 100 0000 0000 0000 |
定点数的优缺点
优点：
- 运算速度快：本质是整数运算，无需额外硬件支持
- 精度均匀：整个数值范围内精度保持一致，没有精度漂移
- 实现简单：硬件电路复杂度低，功耗小
- 结果确定：没有舍入误差的累积问题（在不溢出的前提下）
缺点：
- 数值范围小：同样位数下，能表示的数值范围远小于浮点数
- 32位Q16.15格式：最大值约为2¹⁶ = 65536
- 32位浮点数：最大值约为3.4×10³⁸
- 灵活性差：小数点位置一旦确定就不能更改，需要程序员手动定标
- 容易溢出：运算过程中如果数值超出范围，需要手动处理溢出
- 开发难度高：需要程序员自行管理小数点位置和缩放比例
这种方案的好处是硬件实现极其简单，只需要整数加法器和移位器就能完成所有运算。早期的单片机、DSP（数字信号处理器）大多采用定点架构，正是因为其成本低、功耗小、速度快。但是随着时间的推移，人们需要更精确的小数运算，这种情况下另一个魔丸要出世了……
浮点数：老牧师的科学计数法
魔丸出世
随着计算机应用向科学计算领域拓展，定点数的局限性越来越明显。物理学家需要表示电子质量（9×10⁻²⁸克），天文学家需要计算恒星距离（数以光年计），这些数值跨度极大，定点数根本无法覆盖。
为了解决”极大”和”极小”数的表示问题，科学家借鉴了十进制科学计数法的思想——用
$$
N = (-1)^S \times (1 + M) \times 2^{(E - \text{bias})}
$$
的形式表示数值，让小数点的位置随指数变化而”浮动”，这就是浮点数名称的由来。
先别吓晕，我会给你解释一下这一坨到底是什么的，我们先从十进制开始：
| 普通十进制数 | 科学计数法表示 | 说明 |
|---|---|---|
| 12300 | $1.23 \times 10^4$ | 小数点左移4位 |
| 0.00456 | $4.56 \times 10^{-3}$ | 小数点右移3位 |
| -789000 | $-7.89 \times 10^5$ | 负数保持符号在尾数前 |
| 9.8 | $9.8 \times 10^0$ | 1~10之间的数指数为0 |
可以看到十进制科学计数法的表示如下：
$$ N = a \times 10^n $$
- a：尾数，满足 $1 \le |a| < 10$
- n：指数，整数，代表小数点移动的位数
那么理解二进制科学计数法也就容易了：
$$
N = M \times 2^E
$$
- M：尾数
- E：指数，整数，代表小数点移动的位数
但是有个问题，在表示科学计数法的时候，我们规定尾数满足 $1 \le |a| < 10$，意思说不规定我们会有许多猎奇的表示方法，比如说用$0.0000001 \times 10^{1000000}$表示1，这你能受的了吗？
于是我们规定M必须是1.x开始，这个叫做浮点数的规格化，在公式中就能表示成
(1 + M)。
我们要能表示正负数，又引入了-1的指数S，控制S的值就能控制整个数的正负。
完全体如下：
$$
N = (-1)^S \times (1 + M) \times 2^E
$$
为了统一，1985年，IEEE（电气和电子工程师协会）发布了IEEE 754标准，统一了浮点数的表示格式，成为至今通用的工业标准。
IEEE 754标准
IEEE 754浮点数由三部分组成：符号位、指数位、尾数位。
通用公式：
$$
N = (-1)^S \times (1 + M) \times 2^{(E - \text{bias})}
$$
单精度浮点数（float，32位）
| 符号位（S） | 指数位（E） | 尾数位（M） |
|---|---|---|
| 1位(0=正，1=负) | 8位(偏移量为127) | 23位 (隐含整数部分的1) |
隐含整数部分：规格化的二进制浮点数，尾数的最高位总是1。因此这个1可以不用存储，节省了1位空间，实际精度比存储位数多1位。
数值范围：
- 最大值：≈ 3.4 × 10³⁸
- 最小值（绝对值）：≈ 1.2 × 10⁻³⁸
双精度浮点数（double，64位）
| 组成部分 | 位数 | 位置 | 说明 |
|---|---|---|---|
| 符号位（S） | 1位 | 第63位 | 0=正，1=负 |
| 指数位（E） | 11位 | 第62-52位 | 偏移量为1023 |
| 尾数位（M） | 52位 | 第51-0位 | 隐含整数部分的1 |
隐含整数部分：规格化的二进制浮点数，尾数的最高位总是1。因此这个1可以不用存储，节省了1位空间，实际精度比存储位数多1位。
数值范围：
- 最大值：≈ 1.8 × 10³⁰⁸
- 最小值（绝对值）：≈ 2.2 × 10⁻³⁰⁸
浮点数的优缺点
优点：
- 数值范围极大：同样位数下，范围远超定点数，适合科学计算
- 使用方便：程序员无需关心小数点位置，编译器自动处理
- 标准化程度高：IEEE 754是通用标准，跨平台一致性好
- 支持特殊值：可以表示无穷大、NaN（非数值）等特殊状态
缺点：
- 精度不均匀：数值越大，精度越低。靠近0的地方精度很高，远离0的地方精度稀疏这点要格外注意
- 运算速度慢：需要专门的浮点运算单元（FPU），硬件复杂度高
- 存在舍入误差：很多十进制小数（如0.1）无法用二进制精确表示
- 运算有损耗：多次运算后误差会累积，不能直接用”==”比较两个浮点数
对比
| 对比维度 | 定点数 | 浮点数 |
|---|---|---|
| 小数点位置 | 固定不变 | 随指数浮动 |
| 数值范围 | 小 | 极大 |
| 精度分布 | 均匀一致 | 近密远疏 |
| 运算速度 | 快（整数运算） | 慢（需FPU） |
| 硬件成本 | 低 | 高 |
| 开发难度 | 高（手动定标） | 低（自动处理） |
| 典型应用 | 嵌入式、DSP、音频处理 | 科学计算、图形渲染、通用编程 |
现实中的应用
定点数的主战场
- 嵌入式系统：MCU、单片机等资源受限的设备
- 数字信号处理：音频编解码、滤波、FFT等实时信号处理
- FPGA/ASIC设计：硬件电路中定点运算更省资源
- 工业控制：对确定性要求高，不允许误差累积
浮点数的天下
- 科学计算：物理模拟、气象预报、航天工程
- 计算机图形学：3D渲染、坐标变换、光照计算
- 通用软件开发：业务系统、数据分析、人工智能
- 金融计算（注意：高精度金融场景通常用十进制定点或BCD码）
总结
定点数和浮点数并非谁取代谁的关系，而是针对不同需求的两种设计取舍：
定点数是”空间换时间”的极致——用有限的数值范围换取更快的运算速度、更低的硬件成本和均匀的精度。它诞生于资源匮乏的年代，却在嵌入式、DSP等领域历久弥新。
浮点数是”时间换空间”的智慧——用更复杂的运算逻辑换取近乎无限的数值范围和使用上的便利性。它是科学计算的基石，也是现代通用计算机的标配。
理解这两种数值表示方式，不仅能帮我们写出更高效的代码，更能体会到计算机科学中”权衡”与”折中”的设计哲学——没有完美的方案，只有最适合场景的选择。
小思考：为什么0.1 + 0.2 在JavaScript和Python中不等于0.3？这正是浮点数二进制表示的经典问题，答案就藏在IEEE 754的尾数精度里。
这个问题同样也是数学中0.9无限循环等于1的原因。