浮点数量化为定点

1. 这篇博客将要讨论什么？

说来惭愧，作为计算机科班出身的人，计算机基础知识掌握并不扎实，这里的基础指的是计算机体系结构中的内容，诸如数据的表示和处理，如float的表示和运算等。看《CSAPP》方知人家老外把这个东西当成重中之重，大量详细的原理介绍，并配套大量例题。当初本科学的时候，很简单的了解了下概念而已，所以应该直接将《CSAPP》当做教材来用，里面习题全做，这样CS出来的基本知识将掌握的很扎实。

学艺不精的后果就在于：学而不思则罔。圣人太厉害了，总结得很到位。比如最近项目中涉及到浮点和定点的转换，自己就有点蒙，边看边实验，还算理解了，作文以记之。

一直以来，程序中接触的数据类型都是int整型，char字符型，float单精度浮点型，double双精度浮点型。看到浮点和定点一直不知道如何划分这个概念的范畴。以为浮点就是float表示小数，定点就是int可表示整数而已。经过学习明白了显然是错误的。应该是这样划分的：

浮点：小数点非固定的数，可表示数据范围较广，整数，小数都可表示。包含float，double；

定点：小数点固定，可表示整数，小数。int本质是小数点位于末尾的32位定点数而已；

有了这个认识，后面的讨论就可以开始了。

2. 浮点数的表示法

浮点数以float为例讨论。

2.1 IEEE 754标准

规定浮点数格式为：

s表示符号位，当s=0，V为正数；当s=1，V为负数

M表示尾数，2>M>=1

E表示阶码

将其封装到32位的字中：

根据32位数计算为十进制：

可以得出以下结论：

浮点数表示比整型那些更为复杂。如int中0…01000表示8，0…01001表示9，而浮点不能这样简单。

浮点数不能移位。因为各个位有特殊含义。像int数乘2可以左移1位实现。

2.2 浮点数的“浮”字体现在哪里？

我们说浮点数的小数点不是固定的，是浮动的，那么如何理解？通过例子可直观体验。

这个浮点数表示十进制的1.125

若阶码不变，尾数加1，则表示十进制的1.25

若尾数不变，阶码加1，则表示十进制的2.25

3. 定点数的表示法

对于计算机来说，浮点定点的概念是看不见的，因为它只能看到：0…00001110，至于它表示多少，是逻辑层面的设置。你如果让它是int那就按照int表示法对每个位赋予意义，如果你让它是float就按照float表示法赋予意义。

对于000111000001110000011100表示的定点数：

如果我们设定小数点是位于最后一位的，即00011100.00011100.00011100.则其表示28

若设定小数点位于后三位的，即00011.10000011.10000011.100则其表示3.50

若设定小数点位于后四位的，即0001.11000001.11000001.1100则其表示1.75

可以看到：

小数位数越多，表示的精度越高。若小数点后有n位，则其表示的最大精度为

1/(2ⁿ);

整数位数越多，可表示的最大值越大。

以8位为例，最高位为符号位：

若整数位占4位，小数位占3位，则其最大精度为0.125，最大值为15.875

若整数位占5位，小数位占2位，则其最大精度为0.250，最大值为31.750

若整数位占6位，小数位占1位，则其最大精度为0.500，最大值为63.500

若整数位占7位，小数位占0位，则其最大精度为1.000，最大值为127

4. 浮点数 & 定点数

4.1 为何要把浮点数转换为定点数呢？

这来源于项目中神经网络的需求，网络中大量的参数，如果全部用F32表示，一是占用空间大，二是读取效率不高。

如果我们可以将某些浮点数转换为定点数表示，在接受精度损失的前提下，每次就可以读取多个进行运行，可显著提高运算效率。

举例来说，我们用8位定点数，1个符号位，4个整数位，3个小数位，则其可表示范围是-16.00~15.875，最大精度0.125。

有几个浮点数：0.145，1.231，2.364，7.512，每个需要32bit表示。

如果我们将每个量化成一个8位定点数，比如通过某种方法得到：1，10，19，60

此时每个数需要8bit表示。那么读一个浮点数，可以同时读4个定点数，且计算效率可以提高。当然这样做是有风险的：

损失精度，比如再将上述定点数转化为浮点数：0.125，1.250， 2.375，7.500；

定点数表示范围有限，加法有可能会溢出，需要拿int16或int32来暂存中间结果；

4.2 如何将浮点数转换为定点数？

我们用8位定点数，1个符号位，4个整数位，3个小数位。这个3称为量化系数。该过程称为量化。

（我们总是将非离散值量化到离散值空间，处理更为简单）

Int8=float32*2⁽³⁾

如：

Int8(10)=float32(1.231)*2⁽³⁾

4.3 如何将定点数转换为浮点数？

该过程称为反量化。

Float32=int8/2⁽³⁾

如：

Float32(1.250)=int8(10)/2⁽³⁾

4.4 note

可以这样理解：量化系数 nnn 决定了我们逻辑上认为01序列中可表示的单位值 1/(2ⁿ)，CPU读取的数字表示有多少份单位值。

举例来说，对于固定的01序列值：0001,1100

同样的int8数，因为量化系数的不同，代表着不同的f32值。

还有个note：

定点数加减时需要量化系数相同，其值有可能溢出，需要更大定点数来暂存中间值；

两个定点数乘法后如果需要转化为f32，则反量化系数变为2∗n

5. 总结

可以看到：

浮点数和定点数的转换是一种映射。将较为密集的数据空间（F32）映射到较为稀疏的空间（int8）；

定点数的小数点实际中是没有的，这只是我们逻辑上的一种设定。01序列是一样的，CPU读取都是相同的，因为我们逻辑上小数点的不同位置，我们认为它代表的值是不同的；

作者：鸟恋旧林XD

原文链接：https://blog.csdn.net/niaolianjiulin/article/details/82764511

最后给大家一个在线的转换工具：

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

示例：将浮点数55.12345转换为32bit