IEEE 754 浮点数转换器

什么是 IEEE 754 浮点数？

// Float ↔ hex through the raw IEEE 754 bits (works in any browser / Node.js)
const buf = new DataView(new ArrayBuffer(8));

function floatToHex32(value) {
  buf.setFloat32(0, value); // rounds to nearest even
  return '0x' + buf.getUint32(0).toString(16).toUpperCase().padStart(8, '0');
}

function hexToFloat32(hex) {
  buf.setUint32(0, parseInt(hex, 16));
  return buf.getFloat32(0);
}

floatToHex32(0.1);        // '0x3DCCCCCD'
floatToHex32(3.14159);    // '0x40490FD0'
hexToFloat32('3DCCCCCD'); // 0.10000000149011612

核心特性

IEEE 754 转换示例

0.1

0x3DCCCCCD — 实际存储为 0.100000001490116119384765625

3.14159

0x40490FD0

65504

0x7BFF — FP16 最大的有限值

-0

0x80000000（FP32），而 +0 是 0x00000000

如何转换 IEEE 754 浮点数

1. 1

   选择浮点格式

   默认选中单精度（FP32）。处理 JavaScript/Python 风格的数字请切换到双精度（FP64）；机器学习和图形领域常用的 16 位格式则选半精度（FP16）或 bfloat16。

2. 2

   输入十进制数

   输入任意值——0.1、-2.5e3、65504——或使用特殊值快捷按钮载入 ±0、±Infinity、NaN、最小次正规数和最大有限值。转换随输入即时进行。

3. 3

   阅读彩色标注的位布局

   符号位、指数字段和尾数以不同颜色高亮显示，字段分解表列出原始位、偏置运算过程和隐含前导位。

4. 4

   查看精确存储值与误差

   精度面板打印出实际存储的值——每一位数字都经过精确计算——以及它与你输入值之间的舍入误差，还有前后两个相邻可表示值和 ULP 间距。

5. 5

   翻转位、粘贴十六进制、复制结果

   点击任意位即可翻转，或粘贴十六进制（3DCCCCCD）和二进制位串解码回十进制。可复制十六进制、二进制、精确值，或复制一条能复现当前位模式的分享链接。

常见浮点数错误

print(0.1)  # 0.1 — 看起来精确，其实不是

0.1 实际存储值（FP64）= 0.1000000000000000055511151231257827021181583404541015625

if (0.1 + 0.2 === 0.3) { … }   // 永远不会执行

if (Math.abs(a - b) < 1e-9) { … }   // 按你的数据量级选定容差

fp16(65520)   → Infinity (0x7C00) — 静默溢出

bf16(65520)   → 有限值（bfloat16 保留 8 个指数位）

if (x === NaN) { … }        // 永远为 false，即使 x 就是 NaN

if (Number.isNaN(x)) { … }  // 正确的检测方式

IEEE 754 转换器能做什么

调试序列化的二进制数据

把在网络抓包、GPU 缓冲区、寄存器转储或文件格式中找到的十六进制值粘贴进来，解码出精确的十进制值——也可以反向转换来编写测试夹具。字节序提示：所显示的十六进制是大端（big-endian）位模式；如果你的转储是小端序（little-endian），粘贴前请先反转字节顺序。

理解 ML 量化

检查你的数值能否扛过 FP16 的 65504 上限，逐位对比 FP16 与 bfloat16 的精度损失，并检视梯度会发生下溢的次正规数区间。

解释浮点数 bug

当同事问为什么两个「相等」的数不一样时，发一条永久链接，同时展示两个位模式和精确存储值——争论自然平息。更长的数据转储可搭配文本对比工具使用。

学习或讲授编码格式

当学生可以亲手点击指数位、看着偏置运算实时更新时，计算机体系结构课程就变得具体了。字段分解表的画法与教科书中的格式示意图一致。

解码嵌入式与工业寄存器

Modbus、CAN 和传感器载荷经常以原始十六进制字的形式携带 FP32 值。把该字粘贴到这里即可读出物理量，无需另写临时脚本。

IEEE 754 格式与特殊值

四种二进制格式一览

binary16（FP16）：1 符号位 + 5 指数位 + 10 尾数位，偏置 15，最大值 65504，约 3.3 位十进制数字。bfloat16：1 + 8 + 7，偏置 127，最大值 ≈ 3.39 × 10³⁸，约 2.3 位。binary32（FP32）：1 + 8 + 23，偏置 127，最大值 ≈ 3.40 × 10³⁸，约 7.2 位。binary64（FP64）：1 + 11 + 52，偏置 1023，最大值 ≈ 1.80 × 10³⁰⁸，约 15.9 位。规律很清楚：指数位换范围，尾数位换精度，而 bfloat16 刻意用全部精度优势换取 FP32 的范围。

值是如何组装出来的

正规数的解码公式是 (−1)^sign × 1.mantissa × 2^(exponent − bias)。前导 1 是隐含的——它不被存储，这就是 23 位尾数字段能提供 24 位精度的原因。存储的指数等于真实指数加偏置（FP32 为 127），因此 2⁰ 存储为 01111111。本工具的字段分解表会针对当前值逐步展示这套运算。

特殊值：被保留的指数模式

指数全 1 且尾数为零是 ±Infinity；尾数非零则是 NaN（规范的 quiet NaN 会置上尾数的最高位）。指数全 0 且尾数为零是 ±0；尾数非零则是次正规数，按 0.mantissa × 2^(1 − bias) 解码——没有隐含前导 1。这些规则在四种格式中完全一致，所以同一组快捷值在每种格式下都能用。

舍入：就近舍入，平局取偶

当一个值落在两个可表示数之间时，IEEE 754 的默认模式舍入到较近的那个；恰好在正中间时，取尾数最后一位为 0 的那个（平局取偶），以避免系统性漂移。本转换器把你的十进制输入收窄到目标格式时应用的正是这条规则，误差面板会精确显示由此产生的带符号差值。

ULP：浮点数的网格间距

可表示的浮点数并非均匀分布——相邻值之间的间距（最后一位上的一个单位）在每个 2 的幂处翻倍。在 1.0 附近，double 的 ULP 是 2⁻⁵² ≈ 2.22 × 10⁻¹⁶；到 2⁵³ 附近 ULP 达到 1.0，整数开始被跳过。相邻值面板会精确打印当前的 ULP——这才是「我的数字在这里有多精确？」的诚实答案。

浮点数最佳实践

永远不要用 == 比较浮点数

任何运算之后，两个数学上相等的表达式都可能相差一个 ULP。请使用与数量级匹配的容差来比较——或者统计两个位模式之间相差多少个 ULP，本工具可以直接查看。

别把金额放进二进制浮点数

没有任何 2 的幂网格能精确容纳 0.10，用浮点数存货币会累积出肉眼可见的误差。请改用整数（分）或十进制类型；本页的精确存储值面板就是长期有效的证据。

按范围而非习惯选择 16 位格式

如果你的值可能超过 65504——损失函数、梯度、物理量尖峰——FP16 会溢出为 Infinity，而 bfloat16 安然无恙。如果所有值都被归一化到窄区间，FP16 多出的尾数位能带来明显更好的精度。

收窄转换时当心双重舍入陷阱

在罕见的中点情形下，十进制 → double → half 的转换结果可能与十进制 → half 直接转换相差一个 ULP。本工具把你的十进制输入一步舍入到目标格式，所以你看到的就是诚实的 IEEE 754 答案。

预期整数在 2⁵³ 之上会失真

double 能精确存储到 2⁵³ 为止的每一个整数，之后开始跳数——2⁵³ + 1 无法表示。若你处理的 ID 或计数器接近该量级，请使用 64 位整数或字符串，并把可疑值放到这里做位级检查。

IEEE 754 转换器常见问题