图形学中经常要涉及使用各种格式的浮点数类型，如float,half,也会经常用到各种格式的浮点数类型PixelFormat，例如R10G10B10A2，R11G11B10，RGBHalf...。在合适的情况下使用合适的浮点数类型，是保证效率和效果的基础。虽然有些是大学本科课程，但牢记于脑海并时刻保持对每种浮点数精度的敏感也不易，此文总结并详细讨论一下各种常见浮点数的精度，范围，精度分布及应用特点。
1. 小数的二进制表示
首先浮点数只是一种小数的表示方式，整数的二进制表示是一个简单的十进制到二进制的转换，即从右到左，每个二进制的1表示1，2 ,4 , 8 , 16，例如111即7，而小数的二进制则是从从左到右的每个1依次表示为1/2, 1/4, 1/8, 1/16,例如111.111即表示了1+2+4+0.5+0.25+0.125即7.875。
我们知道小数和整数不一样，小数在一段区间内是无限多个的，所以无论怎样都不能连续的表示出一段区间内的所有小数，即小数的表示存在一个最低精度的，如果向上面那样用三位表示小数部分，那小数的精度就只有1/8，即7.875可以表示，但是7.876就表示不出来了，也会变成7.875.
上面这种表示方法小数点的位置是固定的，固定小数点前有多少bit表示整数，小数点后有多少bit表示小数，所以叫做定点数表示法，定点数的特点是表示的小数的精度是均衡的，例如fixed 11类型的定点数，在-2到2区间内的精度一直是1/256，因为他有8位表示小数。
而浮点数是把小数拆成尾数（mantissa -M）和指数（exponent- E）来表示，根据IEEE754标准，表示一个小数的方法为,拿float32为例子，s占用1位，M占用23位，E占用8位,下面设M有m位，E有e位。
其中S是1bit的符号位，表正负
M是1.xxxxx的一个小数，而M正是对这个小数部分XXXX的二进制表示
其中E是指数部分，E就相当于将二进制的M中的小数点向右（E为正），或向左（E为负）移动e个位，这也是浮点数中浮点的意义，即浮点数是通过浮动1.xxx的小数点的位数来表示任意大小的小数，E的移动是2倍的改变，所以浮点数可以表示的范围很大，但是是以损失精度为代价的。
浮点数中的E的正负同整数的正负表示不一样，它不是补码表示法，即不用首位表正负，而是按照无符号处理的值减去整个值域的中位数成为最终的值，例如8位的E的中间数是127，那么00000000就表示-127，而11111110则表示127，E的范围是 到 。（全1有特殊意义），float32 就是[-127,127]
此外浮点数的表示有一些特例，大部分浮点数类型要求可以表示一个无穷大值，所以浮点数在一些情况下不只是按照上面的公式计算数值，还有下面几个特殊情况：
E全为0，此时M将变成0.xxxxx的形式，不然永远不能表示0，所以M为全零，E为全零就是表示的浮点数0，如果E全零，而M不全零，那么也按照上面公式将0.xxxxx向左移最大的127位，这个时候相当于表示了一个非常接近于0的一个小数（小数点后充填了127个0）。
E全为1，此时不按上面公式，如果M全为0，表示正负无穷大，如果M不全为0，表示不是一个合理的数字（NAN，not a number）。
2. 浮点数的精度和范围
浮点数的精度由整数部分的精度和小数部分的精度组成：
关于整数部分的精度，浮点数可以保证在正负范围内的整数连续，这个+1是因为M的整数部分是1导致的（当然要保证E的最大表示范围要大于等于M的位数），所以float32可以保证在正负2^24 之间的整数是同int32是可以对应的，但是超过 2^24的部分不能保证所有的整数部分都可以被表示，超过的部分只能表示2^24以内整数的2^N倍（因为这时没有有效的尾数，只能继续偏移小数点了，当然N还要取决于E的范围），所以从float 强转到int要保证准确的话，float的值最多就在2^24以内，即16777216以内，同样double转long时保证正确性，double的值最多也在2^53以内。
相对于整数部分的精度，其实我们往往更关心小数部分的精度，因为通常浮点数的E的最大值要大于M的位数，所以在相当大的范围内整数是能连续不丢失精度的，所以小数部分的精度就很关键。浮点数相比于定点数，在同样bit数下面表示了更大的范围，但是损失了精度，且有个特点，浮点数的精度随着绝对值的增大而大幅度降低。
M的bit数就定了这个小数最大的精度，因为M里面存在了一个1，所以 浮点数的小数部分最多的有效数字是m+1 位，出现在-1到1之间，即0.xxx的时候xxx最多可能有m+1位，精度至少可以到达，float32 就是，当然如果e可以再往左浮动，还可以精确到更小，在E为全0时，可以表示到的最接近0 的那个正数是小数点之后有127+22=149个0，即2^-150,随着浮点数的增大，其小数部分的有效数字随着值增大而减少，1.xxxx的时候精度最多只能到1/2^m了，2.xxxx就最多只能到1/2^(m-1).
所以总体上看，浮点数在-1到1之间，也就是0.xxxx的部分精度非常高，最少可以到1/2^(m+1),无限接近0的过程中对于float32最高可以到达1/2^(127+23)。随着整数部分变大，小数精度就逐渐丧失，直到2^(m+1) -1 将完全没有小数位。
至于浮点数可以表示的极限值，首先它可以表示一个形式上的正负无穷大，除了无穷大之外，最大值出现在E为2^(e+1)-2 （对于float32即e为127,128是无穷大） 并且M为全1 的时候，这时候的值对于float32来说是(2^24 -1)* 2^(127-23),即2^128 - 2^104,最小值同样。这个值大约是3.4e+38，其实讨论这个极大值在多数情况意义并不是很大，因为它的精度已经降到了1.7e+38，所以对于浮点数如果抛开精度去谈范围已经没有太大意义，使用浮点数一定要考察它在不同值区间上的精度变化。
3. 图形编程中常用的几种浮点数及其精度随值域的改变
图形学中用于无压缩的贴图或者rt中，常用的浮点类型有很多，无论是R10G10B10A2，R11G11B10，RGBHalf，从组成的基础上看，都是归结到这几种浮点格式：
32bit， 即上面举例讨论的最代表性的float类型，1位符号位，23位M，8位E，例如RGBA32F格式
16bit，即half，半精度的浮点型，1位符号位，10位M，5位E，例如RGBA16F格式
11bit，无符号浮点数，6位M，5位E,例如R11F_B11F_G10F格式
10bit，无符号浮点数，5位M，5位E,例如RGB10_A2格式
上面这些通常都可以表达HDR信息，即可以大于1，而LDR格式类型如RGBA8则用8位表示小数，它就不是浮点数，可以理解是定点数，表示精度恒定间隔1/256的一些小数。
以10bit的浮点数为例子，绘制出它的精度误差如下
其中蓝色是8bit顶点数的误差，黄色是10bit浮点数的，可以看到，随着0.25,0.5,1的提升，它的误差会变得非常大，
10bit的浮点数在1.xxxx之内的精度也只有1/32，大约0.03，要进入0.25以下才能精确到百分位，在7.xxx左右就降低到只有十分位了
11bit的浮点数在1.xxxx之内的精度有1/64，只有在0.5以内能保证百分位，在15.xxx左右降低到十分位。
而16bit的浮点数在15.xxxx之内都能保证百分位，在255.xxx能保持十分位，32bit的浮点数在2^21左右保证十分位，在2^17左右还能保证百分位。
由此可以看出类似10bit 11bit 这种所谓的小浮点数其实高精度区间非常有限，他们只适合表示差不多10一下的一些小数。
4. 实际应用中的选择
在图形编程中，使用小数的地方很多，位置，uv，颜色，法线，pbr的参数等等，使用的bit数越高，精度效果越好，但是性能会越差。
对于位置来说，由于场景的范围可能很大，且仍然需要精确到mm左右，所以一般都要用32bit的float，但有时对于超级大的场景来说即使用float32仍然不够，当坐标刻度大于2^21次即2097152左右就不能保证十分位了，比如说你场景单位是cm，这个值就大约是21km，超过21km的大场景地图也并不是没有的，这里就捉襟见肘了。在UE4中，它为了保证这个毫米精度，当当前的摄像机视角超过这个2097152的坐标位置，就会把场景的中心整体平移到摄像机这里，这样可以保证摄像机周围的物体在渲染的时候，精度一定可以保证在mm的精度内。
对于uv来说，通常16bit的half已经足够了，它在大约15以内具有百分位精度。
对于颜色，如果是LDR的值，大多数情况8bit的定点数是足够的，如果是HDR，就又要取决于HDR的高值可能出现在多高，如果在8以内，RGB10A2是能够保证十分位的，如果在16以内，可能需要升级到R11G11B10，如果有更高的值域范围，那就需要升级到RGBA16F了。
对于法线，金属度，光滑度等，通常因为可以归一化01区间，所以8bit的顶点数就够了。
总之我们的原则一定是在保证所需的效果的同时使用最低bit的浮点数格式，因为这意味着带宽的节省，意味着alu的效率提升，最终就是帧率的提升和发热量的减少。
版权声明：本文为CSDN博主「leonwei」的原创文章，遵循CC 4.0 by-sa版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/leonwei/article/details/82805103