FP8 是一种 8 位浮点数表示法,FP8 的详细介绍可以参考链接nv官网介绍
FP8 采取 E4M3 和 E5M2 两种表示方式,其中 E 代表指数位(Exponent),M 代表尾数位(Mantissa)。在表示范围内,E4M3 更精准,而 E5M2 有更宽的动态范围。与传统的 FP16(16 位浮点数)和 FP32(32 位浮点数)相比,它显著减少了存储,提高了计算吞吐。
小数的二进制表示
目前C/C++编译器标准都遵照IEEE制定的浮点数表示法来进行float,double运算。这种结构是一种科学计数法,用符号、指数和尾数来表示,底数定为2——即把一个浮点数表示为尾数乘以2的指数次方再添上符号。下面是具体的规格:
符号位 阶码 尾数 长度
float 1 8 23 32
double 1 11 52 64
对float来说,按IEEE标准 阶码一共8位,可以表示范围是-128 ~ 127。因为指数可以为负,为了便于计算,规定都先加上127(2^7-1)
对double来说,按IEEE标准 阶码一共11位,可以表示范围是-1024 ~ 1023。因为指数可以为负,为了便于计算,规定都先加上1023(2^10-1)
规格化的二进制浮点数的格式一般为:(-1)^S × M × 2^E。
例一:
已知:double类型38414.4。
求:其对应的二进制表示。
分析:double类型共计64位,折合8字节。由最高到最低位分别是第63、62、……、0位:
最高位63位是符号位,1表示该数为负,0表示该数为正;
62-52位,一共11位是指数位;
51-0位,一共52位是尾数位。
步骤:按照IEEE浮点数表示法,下面先把38414.4转换为十六进制数。
把整数部和小数部分开处理:整数部直接化十六进制:960E。小数的处理:
0.4=0.5*0+0.25*1+0.125*1+0.0625*0+……
实际上这永远算不完!这就是著名的浮点数精度问题。所以直到加上前面的整数部分算够53位就行了。隐藏位技术:最高位的1不写入内存(最终保留下来的还是52位)。
如果你够耐心,手工算到53位那么因该是:38414.4(10)=1001011000001110.0110011001100110011001100110011001100(2)
科学记数法为:1.001011000001110 0110011001100110011001100110011001100,右移了15位,所以指数为15。或者可以如下理解:
1.001011000001110 0110011001100110011001100110011001100×2^15
于是来看阶码,按IEEE标准一共11位,可以表示范围是-1024 ~ 1023。因为指数可以为负,为了便于计算,规定都先加上1023(2^10-1),在这里,阶码:15+1023=1038。1038的二进制表示为:100 00001110;
符号位:因为38414.4为正对应 为0;
合在一起(注:尾数二进制最高位的1不要):
01000000 11100010 11000001 110 01100 11001100 11001100 11001100 11001100
例二:
已知:整数3490593(16进制表示为0x354321)。
求: 其对应的浮点数3490593.0的二进制表示。
解法如下:
先求出整数3490593的二进制表示:
Hex: 3 5 4 3 2 1 (十六进制表示)
Bin: 0011 0101 0100 0011 0010 0001 (二进制表示)
即: 1.1010101000011001000012×221
可见,从左算起第一个1后有21位,我们将这21为作为浮点数的小数表示,单精度浮点数float由符号位1位,指数域位k=8位,小数域位(尾数)n=23位构成,因此对上面得到的21位小数位我们还需要补上2个0才凑够23,得到浮点数的小数域表示为:
1 0101 0100 0011 0010 0001 00 共23个
将148转为二进制表示为10010100,加上符号位0,最后得到二进制浮点数表示01001010010101010000110010000100,其16进制表示为:
H: 4 A 5 5 0 C 8 4
B: 0100 1010 0101 0101 0000 1100 1000 0100
这就是浮点数3490593.0(0x4A550C84)的二进制表示。
例三:
0.5的二进制形式是0.1
它用浮点数的最终形式写出来是如下格式
0 01111110 00000000000000000000000
符号位 阶码 小数位
正数符号位为0,负数符号位为1。
阶码是以2为底的指数。
小数位表示小数点后面的数字。
下面我们来分析一下0.5最终是如何写成0 01111110 00000000000000000000000
首先0.5是正数所以符号位为0
再来看阶码部分,由于0.5的二进制数是0.1,而0.1是1.0*2^(-1),
注:如果只有小数部分,例如0.1,那么需要右移小数点,所以0.1是1.0*2^(-1). 再比如右移3位才能放到第一个1的后面(0.001是1.0*2^(-3)), 阶码就是127-3=124.
要把二进制数变成(1.f)*2^(exponent)的形式,其中exponent是指数;
又由于阶码有正负之分所以, 阶码=127+exponent;即阶码=127+(-1)=126 即 01111110
余下的小数位为二进制小数点后面的数字,即00000000000000000000000
由以上分析得0.5的浮点数存储形式为0 01111110 00000000000000000000000
例四
(20.59375)10 =(10100.10011 )2
首先分别将整数和分数部分转换成二进制数:
20.59375=10100.10011
然后 左移移动小数点,使其在第1,2位之间
10100.10011=1.010010011×2^4 即e=4
于是得到:
S=0, E=4+127=131, M=010010011
最后得到32位浮点数的二进制存储格式为:
0 131 010010011
0 1000 0011 010010011
0100 1001 1010 0100 1100 0000 0000 0000=(41A4C000)16