跳轉至

數字編碼 *

Tip

在本書中,標題帶有 * 符號的是選讀章節。如果你時間有限或感到理解困難,可以先跳過,等學完必讀章節後再單獨攻克。

原碼、一補數和二補數

在上一節的表格中我們發現,所有整數型別能夠表示的負數都比正數多一個,例如 byte 的取值範圍是 \([-128, 127]\) 。這個現象比較反直覺,它的內在原因涉及原碼、一補數、二補數的相關知識。

首先需要指出,數字是以“二補數”的形式儲存在計算機中的。在分析這樣做的原因之前,首先給出三者的定義。

  • 原碼:我們將數字的二進位制表示的最高位視為符號位,其中 \(0\) 表示正數,\(1\) 表示負數,其餘位表示數字的值。
  • 一補數:正數的一補數與其原碼相同,負數的一補數是對其原碼除符號位外的所有位取反。
  • 二補數:正數的二補數與其原碼相同,負數的二補數是在其一補數的基礎上加 \(1\)

下圖展示了原碼、一補數和二補數之間的轉換方法。

原碼、一補數與二補數之間的相互轉換

原碼(sign-magnitude)雖然最直觀,但存在一些侷限性。一方面,負數的原碼不能直接用於運算。例如在原碼下計算 \(1 + (-2)\) ,得到的結果是 \(-3\) ,這顯然是不對的。

\[ \begin{aligned} & 1 + (-2) \newline & \rightarrow 0000 \; 0001 + 1000 \; 0010 \newline & = 1000 \; 0011 \newline & \rightarrow -3 \end{aligned} \]

為了解決此問題,計算機引入了一補數(1's complement)。如果我們先將原碼轉換為一補數,並在一補數下計算 \(1 + (-2)\) ,最後將結果從一補數轉換回原碼,則可得到正確結果 \(-1\)

\[ \begin{aligned} & 1 + (-2) \newline & \rightarrow 0000 \; 0001 \; \text{(原碼)} + 1000 \; 0010 \; \text{(原碼)} \newline & = 0000 \; 0001 \; \text{(一補數)} + 1111 \; 1101 \; \text{(一補數)} \newline & = 1111 \; 1110 \; \text{(一補數)} \newline & = 1000 \; 0001 \; \text{(原碼)} \newline & \rightarrow -1 \end{aligned} \]

另一方面,數字零的原碼有 \(+0\)\(-0\) 兩種表示方式。這意味著數字零對應兩個不同的二進位制編碼,這可能會帶來歧義。比如在條件判斷中,如果沒有區分正零和負零,則可能會導致判斷結果出錯。而如果我們想處理正零和負零歧義,則需要引入額外的判斷操作,這可能會降低計算機的運算效率。

\[ \begin{aligned} +0 & \rightarrow 0000 \; 0000 \newline -0 & \rightarrow 1000 \; 0000 \end{aligned} \]

與原碼一樣,一補數也存在正負零歧義問題,因此計算機進一步引入了二補數(2's complement)。我們先來觀察一下負零的原碼、一補數、二補數的轉換過程:

\[ \begin{aligned} -0 \rightarrow \; & 1000 \; 0000 \; \text{(原碼)} \newline = \; & 1111 \; 1111 \; \text{(一補數)} \newline = 1 \; & 0000 \; 0000 \; \text{(二補數)} \newline \end{aligned} \]

在負零的一補數基礎上加 \(1\) 會產生進位,但 byte 型別的長度只有 8 位,因此溢位到第 9 位的 \(1\) 會被捨棄。也就是說,負零的二補數為 \(0000 \; 0000\) ,與正零的二補數相同。這意味著在二補數表示中只存在一個零,正負零歧義從而得到解決。

還剩最後一個疑惑:byte 型別的取值範圍是 \([-128, 127]\) ,多出來的一個負數 \(-128\) 是如何得到的呢?我們注意到,區間 \([-127, +127]\) 內的所有整數都有對應的原碼、一補數和二補數,並且原碼和二補數之間可以互相轉換。

然而,二補數 \(1000 \; 0000\) 是一個例外,它並沒有對應的原碼。根據轉換方法,我們得到該二補數的原碼為 \(0000 \; 0000\) 。這顯然是矛盾的,因為該原碼表示數字 \(0\) ,它的二補數應該是自身。計算機規定這個特殊的二補數 \(1000 \; 0000\) 代表 \(-128\) 。實際上,\((-1) + (-127)\) 在二補數下的計算結果就是 \(-128\)

\[ \begin{aligned} & (-127) + (-1) \newline & \rightarrow 1111 \; 1111 \; \text{(原碼)} + 1000 \; 0001 \; \text{(原碼)} \newline & = 1000 \; 0000 \; \text{(一補數)} + 1111 \; 1110 \; \text{(一補數)} \newline & = 1000 \; 0001 \; \text{(二補數)} + 1111 \; 1111 \; \text{(二補數)} \newline & = 1000 \; 0000 \; \text{(二補數)} \newline & \rightarrow -128 \end{aligned} \]

你可能已經發現了,上述所有計算都是加法運算。這暗示著一個重要事實:計算機內部的硬體電路主要是基於加法運算設計的。這是因為加法運算相對於其他運算(比如乘法、除法和減法)來說,硬體實現起來更簡單,更容易進行並行化處理,運算速度更快。

請注意,這並不意味著計算機只能做加法。透過將加法與一些基本邏輯運算結合,計算機能夠實現各種其他的數學運算。例如,計算減法 \(a - b\) 可以轉換為計算加法 \(a + (-b)\) ;計算乘法和除法可以轉換為計算多次加法或減法。

現在我們可以總結出計算機使用二補數的原因:基於二補數表示,計算機可以用同樣的電路和操作來處理正數和負數的加法,不需要設計特殊的硬體電路來處理減法,並且無須特別處理正負零的歧義問題。這大大簡化了硬體設計,提高了運算效率。

二補數的設計非常精妙,因篇幅關係我們就先介紹到這裡,建議有興趣的讀者進一步深入瞭解。

浮點數編碼

細心的你可能會發現:intfloat 長度相同,都是 4 位元組 ,但為什麼 float 的取值範圍遠大於 int ?這非常反直覺,因為按理說 float 需要表示小數,取值範圍應該變小才對。

實際上,這是因為浮點數 float 採用了不同的表示方式。記一個 32 位元長度的二進位制數為:

\[ b_{31} b_{30} b_{29} \ldots b_2 b_1 b_0 \]

根據 IEEE 754 標準,32-bit 長度的 float 由以下三個部分構成。

  • 符號位 \(\mathrm{S}\) :佔 1 位 ,對應 \(b_{31}\)
  • 指數位 \(\mathrm{E}\) :佔 8 位 ,對應 \(b_{30} b_{29} \ldots b_{23}\)
  • 分數位 \(\mathrm{N}\) :佔 23 位 ,對應 \(b_{22} b_{21} \ldots b_0\)

二進位制數 float 對應值的計算方法為:

\[ \text {val} = (-1)^{b_{31}} \times 2^{\left(b_{30} b_{29} \ldots b_{23}\right)_2-127} \times\left(1 . b_{22} b_{21} \ldots b_0\right)_2 \]

轉化到十進位制下的計算公式為:

\[ \text {val}=(-1)^{\mathrm{S}} \times 2^{\mathrm{E} -127} \times (1 + \mathrm{N}) \]

其中各項的取值範圍為:

\[ \begin{aligned} \mathrm{S} \in & \{ 0, 1\}, \quad \mathrm{E} \in \{ 1, 2, \dots, 254 \} \newline (1 + \mathrm{N}) = & (1 + \sum_{i=1}^{23} b_{23-i} 2^{-i}) \subset [1, 2 - 2^{-23}] \end{aligned} \]

IEEE 754 標準下的 float 的計算示例

觀察上圖,給定一個示例資料 \(\mathrm{S} = 0\)\(\mathrm{E} = 124\)\(\mathrm{N} = 2^{-2} + 2^{-3} = 0.375\) ,則有:

\[ \text { val } = (-1)^0 \times 2^{124 - 127} \times (1 + 0.375) = 0.171875 \]

現在我們可以回答最初的問題:float 的表示方式包含指數位,導致其取值範圍遠大於 int 。根據以上計算,float 可表示的最大正數為 \(2^{254 - 127} \times (2 - 2^{-23}) \approx 3.4 \times 10^{38}\) ,切換符號位便可得到最小負數。

儘管浮點數 float 擴展了取值範圍,但其副作用是犧牲了精度。整數型別 int 將全部 32 位元用於表示數字,數字是均勻分佈的;而由於指數位的存在,浮點數 float 的數值越大,相鄰兩個數字之間的差值就會趨向越大。

如下表所示,指數位 \(\mathrm{E} = 0\)\(\mathrm{E} = 255\) 具有特殊含義,用於表示零、無窮大、\(\mathrm{NaN}\)

  指數位含義

指數位 E 分數位 \(\mathrm{N} = 0\) 分數位 \(\mathrm{N} \ne 0\) 計算公式
\(0\) \(\pm 0\) 次正規數 \((-1)^{\mathrm{S}} \times 2^{-126} \times (0.\mathrm{N})\)
\(1, 2, \dots, 254\) 正規數 正規數 \((-1)^{\mathrm{S}} \times 2^{(\mathrm{E} -127)} \times (1.\mathrm{N})\)
\(255\) \(\pm \infty\) \(\mathrm{NaN}\)

值得說明的是,次正規數顯著提升了浮點數的精度。最小正正規數為 \(2^{-126}\) ,最小正次正規數為 \(2^{-126} \times 2^{-23}\)

雙精度 double 也採用類似於 float 的表示方法,在此不做贅述。