常见浮点数格式梳理

IEEE 754 标准

浮点数转换网站：https://www.h-schmidt.net/FloatConverter/IEEE754.html

IEEE二进制浮点数算术标准，为许多CPU与浮点运算器所采用。这个标准定义了表示浮点数的格式（包括负零-0）与反常值（denormal number），一些特殊数值（无穷（Inf）与非数值（NaN）），以及这些数值的“浮点数运算符”；它也指明了四种数值舍入规则和五种例外状况（包括例外发生的时机与处理方式）。

IEEE 754规定了四种表示浮点数值的方式：单精确度（32位）、双精确度（64位）、延伸单精确度（43比特以上，很少使用）与延伸双精确度（79比特以上，通常以80位实现）。只有32位模式有强制要求，其他都是选择性的。大部分编程语言都提供了IEEE浮点数格式与算术，但有些将其列为非必需的。例如，IEEE 754问世之前就有的C语言，现在包括了IEEE算术，但不算作强制要求（C语言的

float

通常是指IEEE单精确度，而

double

是指双精确度）。

（摘自维基百科）

四种精度的浮点数的各位数含义如下：

符号	阶/指数	尾数	总位数
单精度	1	5	10	16
单精度	1	8	23	32
双精度	1	11	52	64
长双精度	1	15	64	80

各类型浮点数的精度和动态范围：

最小值	最大值
fp16 (半精度)	5.96 × 1 0 − 8 5.96\times 10^{-8} 5.96×10−8	65504 65504 65504
fp32 (单精度)	1.4 × 1 0 − 45 1.4\times 10^{-45} 1.4×10−45	3.4 × 1 0 48 3.4\times 10^{48} 3.4×1048

这里仅介绍最基本的各位的含义，详细的规约形式、移码、舍入等请参考具体标准、相关课程或博客1、博客2。

fp16、fp32与bf16

相信在机器学习领域，除了上面提到的标准的浮点数之外，大家还经常见到的一种浮点数格式就是所谓的 bf16。

• BF16 是对FP32单精度浮点数截断数据，即用8bit 表示指数，7bit 表示小数。
• FP16半精度浮点数，用5bit 表示指数，10bit 表示小数；

与32位相比，采用BF16/FP16吞吐量可以翻倍，内存需求可以减半。但是这两者精度上差异不一样，BF16 可表示的整数范围更广泛，但是尾数精度较小；FP16 表示整数范围较小，但是尾数精度较高。计算时可避免计算溢出，出现Inf case；FP16 在输入数据超过65506 时，计算结果溢出，出现Inf case。

Ref：

https://zh.wikipedia.org/wiki/IEEE_754

https://www.zhihu.com/search?type=content&q=bf16

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

https://blog.csdn.net/a3192048/article/details/106662693

http://c.biancheng.net/view/314.html