javascript - JS用什么技巧显示/计算 float

Question

是的，我对 IEEE float 了如指掌。

例如，在二进制 float 学中没有精确表示十进制值 0.1。

既然如此，使用了哪些技巧来“舍入”表达式的结果:

console.log(0.1 * 10)

恰好 1(即 (0.1 * 10) === 1 是 true) 时，如果我使用加法进行自己的计算:

console.log([...Array(10)].reduce((a) => a + 0.1, 0))

结果是(在我的机器上)0.9999999999999999。

Javascript(以及很可能是其他运行时)如何捏造乘法以给出(直观的)正确答案，而不会陷入我手动执行此操作时遇到的相同问题？

Answer 1

  1 23456789012345678901234              bit #
  1.10011001100110011001101 * 0.0001     decimal 0.1
x                      1010              decimal 10
---------------------------
         
   1111 1111111111111111111              carries                      
   0011.0011001100110011001101 * 0.0001  1.10011001100110011001101 * binary 10
+  1100.11001100110011001101   * 0.0001  1.10011001100110011001101 * binary 1000
------------------------------
  10000.0000000000000000000001 * 0.0001  = 1 *trailing 1 dropped per LGRS
  12345 6789012345678901234
                          LGRS           LSb Guard Round Sticky
                          0001           ==>round down

顺便说一句，0.999999... == 1(“这在 Knuth 的《计算机编程艺术》一书中有证明)。但是，你是对的，将 10 个数字相加得到不同的结果，它不是 1.000。 .., 0.999..., 也不是 0.9999999999999999(所有非整数 float 都以 5 作为小数点右边最后一个非零数字)，它是:

>>> print("%100.100f\n") % (0.1 + 0.1 + 0.1 + 0.1 + 0.1 + 0.1 + 0.1 + 0.1 + 0.1 + 0.1)
0.9999999999999998889776975374843459576368331909179687500000000000000000000000000000000000000000000000

有人建议我解释一下上面的总和，这是一个很好的建议。我怀疑“证明”隐藏在“每个计算机科学家应该了解的浮点运算知识”(https://docs.oracle.com/cd/E19957-01/806-3568/ncg_goldberg.html#932) 中——“必读”。因此，我将把费力的手动验证作为练习留给提问者。为了提供帮助，这里是 LGRS 的真值表:

"first" bit
v
v
v     "last" bit (once set to 1, it NEVER shifts out to 0)
v     v
v     v
L G R S  Round (G, R, and S bits are not in final result)
0 0 0 0  down (means leave L bit as is)
0 0 0 1  down
0 0 1 0  down
0 0 1 1  down
0 1 0 0  down
0 1 0 1  up (means add 1 to L bit)
0 1 1 0  up
0 1 1 1  up
1 0 0 0  down
1 0 0 1  down
1 0 1 0  down
1 0 1 1  down
1 1 0 0  up
1 1 0 1  up
1 1 1 0  up
1 1 1 1  up

(不是“证明”)因为在添加 S==0 时，上面显示有 5 个下降 vs 3 个上升。此外，由于 1s 的密度约为 50%，预期结果可能会遍历整个真值表的这 1/2。因此，幅度的损失是有道理的。当有一个棘手的问题时，赔率会持平，或者可能会以另一种方式叠加。