Java 中的 float 和 double 完全遵循 IEEE 754 浮点数算术标准。要彻底透视它们的底层编码、范围、精度以及各种边界情况，我们需要深入到内存的二进制位层面。

以下是对 Java 浮点数底层编码规则的全面总结，以及对现代前沿浮点数规范的拓展。

---

一、 IEEE 754 底层编码基本规则

在 IEEE 754 标准中，任意一个浮点数 $V$ 都可以用以下公式表示：
$$V=(-1{)}^S\times M\times 2^E$$

在内存中，这三个要素被划分为三个连续的物理字段：

1. 符号位 (Sign, $S$)：1 位。0 代表正数，1 代表负数。
2. 指数位 (Exponent, $E$)：决定数值的范围（数量级）。为了能同时表示极大和极小的数（即正负指数），IEEE 754 引入了偏移量 (Bias) 机制，而不是使用符号位。
3. 尾数位 (Fraction/Mantissa, $M$)：决定数值的精度。

---

二、 Java Float 与 Double 的规格拆解

1. 单精度浮点数 (float)

• 内存布局：总计 32 位（1 位符号 + 8 位指数 + 23 位尾数）。
• 指数偏移量 (Bias)：$2^{8-1}-1=127$。
• 有效位数：由于规格化数的隐藏位机制（首位默认是 1），实际有 24 位二进制精度。对应的十进制有效数字为 ${\log }_{10}(2^{24})\approx 7.22$，即 6 到 7 位有效数字。
• 数值范围：
  • 最大正数：约 $3.4\times 10^{38}$
  • 最小正非零数：约 $1.4\times 10^{-45}$

2. 双精度浮点数 (double)

• 内存布局：总计 64 位（1 位符号 + 11 位指数 + 52 位尾数）。
• 指数偏移量 (Bias)：$2^{11-1}-1=1023$。
• 有效位数：实际有 53 位二进制精度。对应的十进制有效数字为 ${\log }_{10}(2^{53})\approx 15.95$，即 15 到 16 位有效数字。
• 数值范围：
  • 最大正数：约 $1.8\times 10^{308}$
  • 最小正非零数：约 $4.9\times 10^{-324}$

---

三、 浮点数的五种状态机制

指数位 ($E$) 的全 0 或全 1 是作为特殊标记使用的。根据 $E$ 和 $M$ 的不同组合，IEEE 754 将浮点数分为五类：

1. 规格化数 (Normalized Numbers)

• 条件：指数位 $E$ 既不是全 0，也不是全 1。
• 机制：这是最常见的情况。尾数部分隐含一个最高位的 1（即 $1.M$）。
• 真实指数：$Actual\_E=E-Bias$。

2. 非规格化数 (Denormalized / Subnormal Numbers)

• 条件：指数位 $E$ 为全 0，且尾数 $M$ 不为 0。
• 机制：此时隐藏位不再是 1，而是 0（即 $0.M$）。这主要用于表示极其接近 0 的数字。
• 真实指数：强制规定为 $1-Bias$（而不是 $0-Bias$）。
• 设计目的：实现**“渐进式下溢” (Gradual Underflow)**。如果没有非规格化数，当一个极小的规格化数再除以 2 时，会直接突降为 0（这叫突然下溢）。非规格化数允许精度逐渐丧失，平滑地过渡到 0，提高了极小数计算的稳定性。

3. 零 (Zero)

• 条件：指数位 $E$ 全为 0，且尾数 $M$ 全为 0。
• 机制：由于有符号位的存在，浮点数区分 +0.0 和 -0.0。在 Java 中，+0.0 == -0.0 返回 true，但如果你用 1.0 / +0.0 会得到正无穷，而 1.0 / -0.0 会得到负无穷。

4. 无穷大 (Infinity)

• 条件：指数位 $E$ 全为 1，且尾数 $M$ 全为 0。
• 机制：表示超出了浮点数能表示的最大范围（溢出），或者是非零数除以零的结果。同样分为 +Infinity 和 -Infinity。

5. 非数 (NaN - Not a Number)

• 条件：指数位 $E$ 全为 1，且尾数 $M$ 不为 0。
• 机制：表示未定义或不可表示的数学运算结果，例如 $0.0/0.0$ 或 $\sqrt{-1}$。
• 特性：NaN 是无序的。在 Java 中，Float.NaN == Float.NaN 的结果是 false。判断一个数是否为 NaN 必须使用 Float.isNaN() 方法。

---

四、 扩展：前沿与其他浮点数编码规则

IEEE 754 并不是唯一的浮点数标准。随着人工智能和专用硬件的崛起，浮点数的编码规则发生了很多演进：

1. Bfloat16 (Brain Floating Point)

• 背景：由 Google 提出，专为深度学习（如 TensorFlow, TPU）设计。
• 布局：16 位（1 位符号 + 8 位指数 + 7 位尾数）。
• 核心逻辑：在 AI 训练中，数值的范围（能表示多大/多小的数）比精度（小数点后有多准）更重要。Bfloat16 牺牲了 float 的尾数位（从 23 砍到 7），但保留了与 float 相同的 8 位指数。
• 优势：它的表示范围和 32 位 float 完全一样，且可以直接截断 float 的后 16 位进行快速转换，极大地节省了显存和带宽，同时保证了梯度下降时的稳定性。

2. FP16 (Half Precision)

• 布局：16 位（1 位符号 + 5 位指数 + 10 位尾数）。
• 对比：相比 Bfloat16，FP16 的精度更高（10位尾数），但范围极窄（最大只能表示 65504）。在训练大型神经网络时，极容易发生梯度溢出（数值超出最大范围）。

3. TF32 (TensorFloat-32)

• 背景：Nvidia 为 Ampere 架构 GPU 引入的格式。
• 布局：名义上是 32 位，但实际上是取了 Bfloat16 的范围（8 位指数）和 FP16 的精度（10 位尾数）。它在内部用 19 位进行矩阵运算，是一个兼顾范围和精度的 AI 计算折中方案。

4. Posit / Unum 格式

• 背景：由 John Gustafson 提出，旨在取代存在诸多缺陷的 IEEE 754（如浪费了太多位表示 NaN，非规格化数硬件实现复杂等）。
• 核心逻辑（锥形精度）：Posit 没有固定的指数位和尾数位边界。它引入了 Regime (区域位) 的概念。
  • 当数值在 1 附近时，指数占用极少，把更多的位让给尾数，实现超高精度。
  • 当数值极大或极小时，区域位动态扩张，挤压尾数位，牺牲精度换取超大范围。
• 优势：在同等位数（如 32 位）下，Posit 比 IEEE 754 的精度动态范围更大，且没有 +0 和 -0 的冗余，也没有浪费数百万个状态去表示 NaN（Posit 只有一个 NaR，即 Not a Real）。

5. 十进制浮点数 (Decimal Floating Point)

• 背景：IEEE 754-2008 标准引入。
• 核心逻辑：底数不再是 2，而是 10。这就从根本上解决了 0.1 + 0.2 != 0.3 这种因为十进制转二进制产生的无限循环截断误差。
• 应用：部分金融级数据库或硬件支持。Java 中的 BigDecimal 在软件层面实现了类似的十进制高精度计算，虽然并非原生硬件十进制浮点，但逻辑同源。