CPU 是怎么存 0.1 的：IEEE 754 浮点格式完全拆解

写了三年 Python，我一直知道 0.1 + 0.2 != 0.3 这个"梗"，但从没真正看过那串位是什么样的。直到排查一个金融计算差了 0.000000000000000111，我才逼自己坐下来，把 IEEE 754 的每一位认真数了一遍。

现在我用 IEEE 754 浮点数转换器随时拆开任何一个小数，三十秒就能看清楚符号、指数、尾数三段各自编了什么。这篇文章把我当时弄明白的过程写出来，希望能省掉你几小时反复查规范。

IEEE 754 标准存了哪三段

IEEE 754 把一个浮点数劈成三个字段，单精度（32 位）的布局是：

符号位（1 位）：0 表示正数，1 表示负数
指数段（8 位）：存的不是真实指数，而是真实指数加上偏置值 127
尾数段（23 位）：存小数点后面的二进制位，整数部分的 1 被省略不存

双精度（64 位）把指数段扩到 11 位，偏置值变成 1023，尾数段扩到 52 位。

这套设计让同一套电路既能处理 10⁻³⁸ 量级的极小数，也能处理 10³⁸ 量级的极大数，覆盖 2⁵³ 个精度级别（per IEEE 754-2008 标准文档第 3.4 节）。

实际拆解：0.15625 的单精度表示

我选 0.15625 作为第一个例子，因为它刚好是 2 的负幂之和，转换结果是整数，没有精度损失，适合入门。

输入：0.15625，精度选单精度（32 位）

工具输出：

符号位：0（正数）
指数段：01111100（十进制 124，真实指数 = 124 − 127 = −3）
尾数段：01000000000000000000000
完整十六进制：0x3E200000
完整二进制：0 01111100 01000000000000000000000

验证一下：0.15625 = 1.25 × 2⁻³，换成二进制就是 1.01 × 2⁻³。整数部分的 1 省略，尾数只存 .01，补满 23 位得到 01000000000000000000000。指数 −3 加偏置 127 等于 124，二进制写成 01111100。拼起来就是上面那串，对应十六进制 0x3E200000。

把同样的十六进制粘回工具的输入框，它立刻还原成 0.15625，整个过程是可逆的。

0.1 为什么永远"不准"

0.1 在二进制里是一个无限循环小数。就像十进制里的 1/3 写成 0.333…，1/10 用二进制写是：

0.0001100110011001100110011001100110011…（循环节是 0011）

单精度只有 23 位尾数，循环在这里被截断。我用工具输入 0.1，看到的单精度结果是：

十六进制：0x3DCCCCCD
尾数段：10011001100110011001101（最后三位四舍五入进了位）
实际存储的值：0.100000001490116119384765625

误差大约是 1.49 × 10⁻⁸。双精度把尾数延伸到 52 位，误差缩小到约 5.55 × 10⁻¹⁷，但仍然不是精确的 0.1。

这解释了为什么 0.1 + 0.2 == 0.3 在几乎所有语言里都是 false：两个截断后的近似值相加，和精确的 0.3 的截断值差了最低有效位的一个单位（ULP）。

特殊值：零、无穷和 NaN

IEEE 754 用指数段全 0 或全 1 来表示特殊情况：

| 值 | 符号 | 指数段 | 尾数段 | |---|---|---|---| | +0 | 0 | 全 0 | 全 0 | | −0 | 1 | 全 0 | 全 0 | | +∞ | 0 | 全 1 | 全 0 | | −∞ | 1 | 全 1 | 全 0 | | NaN | 任意 | 全 1 | 非 0 | | 非规格化数 | 任意 | 全 0 | 非 0 |

我在工具里输入 Infinity，它返回 0x7F800000，指数段八位全 1，尾数全 0，和表格一致。输入 NaN 得到 0x7FC00000，尾数最高位是 1（安静型 NaN 的约定）。

非规格化数（denormal）最有意思。当指数段全 0 而尾数不为 0，整数部分的隐含 1 变成隐含 0，用来表示非常接近零的极小值。这是 IEEE 754 相比早期格式的一大进步，避免了"突然下溢"到零的问题。

排查实际代码的浮点对不上

工具最实用的场景是并排比较两个数的位表示。

假设你有一段 C 代码，从网络字节流里读了一个 4 字节的十六进制字 0xBF000000，不确定对应什么数值。把它粘进工具：

输入（十六进制模式）：BF000000
输出：
  符号位：1（负数）
  指数：01111110（十进制 126，真实指数 = −1）
  尾数：10000000000000000000000
  十进制值：−0.5

一看就清楚，不用手算。

如果你在 Python 里遇到 0.1 + 0.2 - 0.3 不等于零，把三个值分别输入工具切到双精度，对比尾数段。你会发现 0.1 + 0.2 的位和 0.3 差了最低一位，这就是相等比较失败的根源，也是为什么应该用 abs(a - b) < epsilon 而不是直接 ==。

如果需要进一步分析不同进制之间的关系，进制转换器可以在二进制、八进制、十进制、十六进制之间任意互转，配合 IEEE 754 工具一起用，内存转储里的裸字节一目了然。

值得记住的几个数字

学完 IEEE 754 之后，我有几个数字变得非常具体：

单精度最大正数：0x7F7FFFFF，约 3.4 × 10³⁸
单精度最小正规格化数：0x00800000，约 1.18 × 10⁻³⁸
机器精度（machine epsilon）：单精度约 1.19 × 10⁻⁷，双精度约 2.22 × 10⁻¹⁶
0 的两个表示：+0（0x00000000）和 −0（0x80000000）数值比较相等，但 1/+0 和 1/−0 分别是 +∞ 和 −∞

写底层序列化或解析网络协议时这些数字经常直接用到。用 IEEE 754 浮点数转换器现查现验，比背规范快得多。

Made by Toolora · Updated 2026-06-16