[英]Find minimum float greater than a double value
我有與CUDNN_BN_MIN_EPSILON值在被使用的問題cudnnBatchNormalizationForwardTraining
功能(參見該文檔在這里 ),而且事實證明那是因為我是路過的float
值1e-5f
而不是雙(我的工作float
值保存內存並加快計算速度),這個值一旦轉換為float,就會略小於1e-5
,這是該常量的實際值。
經過一些反復試驗,我發現我現在正在使用一個不錯的近似值:
const float CUDNN_BN_MIN_EPSILON = 1e-5f + 5e-13f;
我確信有更好的方法可以解決這樣的問題,所以問題是:
給定一個正的
double
值,找到最小可能float
值的最佳(如“可靠”)方式是什么(單獨使用以及if / when轉換為double
)是否嚴格大於初始double
值?
另一種形成這個問題的方法是,給定double
值d1
和float
值f1
, d1 - (float)f1
應該是最小可能的負值 (否則它意味着f1
小於 d1,這不是我們正在尋找什么)。
我做了一些基本的試驗和錯誤(使用1e-5
作為我的目標值):
// Check the initial difference
> 1e-5 - 1e-5f
2,5262124918247909E-13 // We'd like a small negative value here
// Try to add the difference to the float value
> 1e-5 - (1e-5f + (float)(1e-5 - 1e-5f))
2,5262124918247909E-13 // Same, probably due to approximation
// Double the difference (as a test)
> 1e-5 - (1e-5f + (float)((1e-5 - 1e-5f) * 2))
-6,5687345259044915E-13 // OK
使用此近似值,最終float
值為1,00000007E-05
,看起來很好。
但是 , * 2
乘法在我的結尾完全是任意的,我不確定它是可靠的還是在那里做的最佳可能的事情。
有沒有更好的方法來實現這一目標?
謝謝!
編輯 :這是我現在使用的(壞)解決方案,很樂意用更好的解決方案替換它!
/// <summary>
/// Returns the minimum possible upper <see cref="float"/> approximation of the given <see cref="double"/> value
/// </summary>
/// <param name="value">The value to approximate</param>
public static float ToApproximatedFloat(this double value)
=> (float)value + (float)((value - (float)value) * 2);
解決方案 :這是最終正確的實施(感謝John Bollinger):
public static unsafe float ToApproximatedFloat(this double value)
{
// Obtain the bit representation of the double value
ulong bits = *((ulong*)&value);
// Extract and re-bias the exponent field
ulong exponent = ((bits >> 52) & 0x7FF) - 1023 + 127;
// Extract the significand bits and truncate the excess
ulong significand = (bits >> 29) & 0x7FFFFF;
// Assemble the result in 32-bit unsigned integer format, then add 1
ulong converted = (((bits >> 32) & 0x80000000u)
| (exponent << 23)
| significand) + 1;
// Reinterpret the bit pattern as a float
return *((float*)&converted);
}
在C:
#include <math.h>
float NextFloatGreaterThan(double x)
{
float y = x;
if (y <= x) y = nexttowardf(y, INFINITY);
return y;
}
如果你不想使用庫例程,那么用-NextBefore(-y)
替換nexttowardf(y, INFINITY)
-NextBefore(-y)
,其中NextBefore
取自這個答案並修改:
double
到float
和DBL_
到FLT_
。 .625
更改為.625f
。 SmallestPositive < fabs(q)*Scale ? fabs(q)*Scale : SmallestPositive
替換fmax(SmallestPositive, fabs(q)*Scale)
SmallestPositive < fabs(q)*Scale ? fabs(q)*Scale : SmallestPositive
SmallestPositive < fabs(q)*Scale ? fabs(q)*Scale : SmallestPositive
。 (q < 0 ? -q : q)
替換fabs(q)
(q < 0 ? -q : q)
。 (顯然,例程可以從-NextBefore(-y)
轉換為NextAfter(y)
。這留給讀者練習。)
因為您似乎對表示級別的詳細信息感興趣,所以您將依賴於float
和double
類型的表示。 然而,在實踐中,很可能歸結為IEEE-754的基本“binary32”和“binary64”格式。 它們具有一個符號位的一般形式,幾個偏置指數位和一組有效位,包括對於歸一化值,一個有效位的隱含位。
鑒於IEEE-754二進制64格式的double
,其值不低於+ 2-126 ,您想要做的是
以可以直接檢查和操作的形式獲得原始double
值的位模式。 例如,作為無符號的64位整數。
double d = 1e-5; uint64_t bits; memcpy(&bits, &d, 8);
提取並重新偏置指數字段
uint64_t exponent = ((bits >> 52) & 0x7FF) - 1023 + 127;
提取有效位並截斷多余的位
uint64_t significand = (bits >> 29) & 0x7fffff;
以32位無符號整數格式匯總結果
uint32_t float_bits = ((bits >> 32) & 0x80000000u) | (exponent << 23) | significand;
加一個。 由於您希望結果嚴格大於原始double
,因此無論所有截斷的有效位數是否為0,這都是正確的。如果加法溢出有效位,則將正確遞增指數字段。 然而,它可能產生無窮大的位模式。
float_bits += 1;
將位模式存儲/復制/重新解釋為float
float f; memcpy(&f, &float_bits, 4);
給定binary64格式的負double
,其幅度不小於2 -126 ,遵循上述過程,除了從float_bits
減1而不是添加1。 請注意,對於-2 -126 ,這會產生一個二次正常的二進制32(見下文),這是正確的結果。
IEEE 754提供了非零數量非零數量的精度低的表示。 這種表示稱為次正規 。 在某些情況下,超過給定輸入binary64的最小二進制32是一個次正規,包括一些不是二進制64次正規的輸入。
此外,IEEE 754提供帶符號的零,-0是一種特殊情況:嚴格大於-0(任一格式)的最小二進制32是最小的正次正規數。 注意:不是+0,因為根據IEEE 754,+ 0和-0通過正常的比較運算符進行比較。 最小正,非零,次正規binary32值具有位模式0x00000001。
受這些考慮因素影響的二進制64值具有偏置的二進制64指數字段,其值小於或等於二進制64指數偏差和二進制32指數偏差之間的差值(896)。 這包括具有精確為0的有偏差指數的那些,其表征二進制64零和子正規。 在簡單案例程序中檢查重組步驟應該使您正確地得出結論,該程序將對這些輸入產生錯誤的結果。
這些案件的代碼留作練習。
具有偏置的二進制64指數字段集的所有位的輸入表示正或負無窮大(當binary64有效數字沒有設置位時)或非數字(NaN)值。 Binary64 NaNs和正無窮大應該轉換為它們的binary32當量。 負無窮大可能應該轉換為最大量級的負二進制32值。 這些需要作為特殊情況處理。
這些案件的代碼留作練習。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.