规格化 & 非规格化

• 规格化：正常的浮点数表示范围。只要在规格化范围内，有效数字的位数是满的，算起来最准、最快。
• 非规格化：在规格化的精度位到达最低的时候，为了表示更小的数不被截断所做的扩展

规格化

• 规定：指数位 $E$ 不全为 0 且 不全为 1（例如 FP16 中，$1\le E\le 30$）
• 公式：$V=(-1{)}^S\times (1+M)\times 2^{E-Bias}$
  • 隐藏位：公式中 $M$ 前边的 $1$ 是硬件自动补上的，不占内存。
  • 精度表现：尾数 $M$ 的每一位都代表有效精度，相对精度恒定。
  • 适用场景：绝大多数正常的科学计算和模型权重

非规格化

• 规定：指数位 $E$ 全为 0（例如 FP16 中，$E=0$，且尾数 $M\ne 0$）
• 公式：$V=(-1{)}^S\times (0+M)\times 2^{1-Bias}$
  • 隐藏位变身：开头的隐藏位从 $1$ 变成了 $0$。这就是为了能表示比“最小规格化数”还要小的数。
  • 指数固定：注意指数部分不再是 $0-Bias$，而是固定为 $1-Bias$。这样做是为了和规格化数的最小值平滑衔接，没有断层。
  • 适用场景：数值极度接近 $0$ 时的“保命”阶段（渐进式下溢）。

上述定义的目的：平滑过渡

• 根据规格化的定义：最小的规格化数（$E=1$）：$1.0\times 2^{1-15}=2^{-14}$。
• 根据非规格化的定义：M全为1的时候，$0+M$ 接近1，最大值 $\approx 2^{-14}$
  • 最大值：$M=\mathrm{11...11}$（接近 $1$）$\to \mathrm{0.999...}\times 2^{-14}\approx 2^{-14}$。
  • 最小值：$M=\mathrm{00...01}\to 2^{-10}\times 2^{-14}=2^{-24}$。
• 当非规格化 $M$ 全为1的时候，$0+M$ 接近1，最大值 $\approx 2^{-14}$，完美衔接规格化最小值，实现数值平滑过渡

例子 (以FP16为例)

在 FP16 中，指数位 $E$ 只有 5 位。

• $E$ 能够表示的二进制数是从 00000 到 11111（即 0 到 31）。
• Bias（偏置）固定为 15。

规格化数的 $E$ 取值范围是 $1$ 到 $30$

• 最大的规格化数（$E=30$）：$2^{30-15}=2^{15}=32768$。
• 最小的规格化数（$E=1$）：$1.0\times 2^{1-15}=2^{-14}$。

当 $E=1$ 最小时，指数部分已经是 $2^{-14}$ 了。如果想表示比 $2^{-14}$ 更小的数，$E$ 必须变成 00000

如果没有“非规格化”处理：

• 当 $E=0$ 时，公式依然是 $(1+M)\times 2^{0-15}$。
• 那么能表示的最小值（$M=0$）是 $1.0\times 2^{-15}$。即所能表示的最小正数是 $2^{-15}$。比 $2^{-15}$ 更小的数（比如 $2^{-20}$）一个也表示不出来！ 它们会全部直接跳到 0。这个 $0$ 到 $2^{-15}$ 之间的真空，就是“空档"

非规格化补档：

当 $E=0$ 时，隐藏位从 1. 变成 0.。

公式变为：$0.MMMM\times 2^{-14}$（注意：为了平滑衔接，指数固定为 $1-Bias$）。

可以利用尾数 $M$ 继续往小了表示：

• $0.1\times 2^{-14}=2^{-15}$
• $0.01\times 2^{-14}=2^{-16}$
• …
• $0.0000000001\times 2^{-14}=2^{-24}$（这是 FP16 的极限精度点）

平滑过渡

• 根据规格化的定义：最小的规格化数（$E=1$）：$1.0\times 2^{1-15}=2^{-14}$。
• 根据非规格化的定义：M全为1的时候，$0+M$ 接近1，最大值 $\approx 2^{-14}$
  • 最大值：$M=\mathrm{11...11}$（接近 $1$）$\to \mathrm{0.999...}\times 2^{-14}\approx 2^{-14}$。
  • 最小值：$M=\mathrm{00...01}\to 2^{-10}\times 2^{-14}=2^{-24}$。
• 当非规格化 $M$ 全为1的时候，$0+M$ 接近1，最大值 $\approx 2^{-14}$，完美衔接规格化最小值，既实现数值平滑过渡，又保证了可以继续表示更小的数

结论

• 如果不划分非规格化，FP16 只能表示到 $2^{-15}$ 就截断了； 有了非规格化，它能靠尾数前面的 $0$ 一直撑到 $2^{-24}$

浮点数数据精度格式

• S：Sign bit，符号位。决定数字的正负（0 为正，1 为负）
• E：Exponent，指数位。决定数字的范围（Range），即这个数能有多大或多小
• M：Mantissa / Fraction，尾数位/精度位。决定数字的精度（Precision），即小数点后能精确到多少位

$$\begin{array}{rlr}& 规格化:& V=(-1{)}^S\times (1+M)\times 2^{E-Bias}\\ & 非规格化:& V=(-1{)}^S\times (0+M)\times 2^{1-Bias}\end{array}$$

• $(-1{)}^S$ (符号部分)：

  • 如果 $S=0$，结果为正；
  • 如果 $S=1$，结果为负。

• $(1+M)$ (尾数部分)：

  • 为了节省空间，计算机默认二进制开头永远是 1.（比如 $\mathrm{1.011...}$），所以那个 1 不占位，只存后面的小数部分 $M$。这就是为什么同样的位数，浮点数比定点数能表示更精细的小数。

• $2^{E-Bias}$ (指数部分)：

  • $E$ 是你在内存里看到的那个无符号整数。在 IEEE 754 标准中，$E=0$ 被预留给了“非规格化数”，所以规格化数的最小 $E=1$

  • $Bias$ (偏置值)：为了让指数能表示负数（即非常小的数，如 $2^{-126}$），需要减去一个中间数

    • 对于 FP32，$Bias=127$
    • 对于 FP16，$Bias=15$

常见格式

格式	总位数 (bit)	S (符号)	E (指数)	M (尾数/精度)	Bias (偏置)	数值范围 (Range)	核心用途
FP32	32	1	8	23	127	非常广	训练基准 / 科学计算
TF32	19 (内部)	1	8	10	127	与 FP32 相同	A100/H100 训练加速
BF16	16	1	8	7	127	与 FP32 相同	大模型训练 (最稳)
FP16	16	1	5	10	15	窄 (最高 65504)	混合精度训练 / 推理
Int32	32	1	-	31	-	$\pm 2.1\times 10^9$	索引 / 计数 / 高压整数运算
Int16	16	1	-	15	-	$\pm 32768$	信号处理 / 特定硬件压缩
Int8	8	1	-	7	-	-128 ~ 127	模型推理量化 (省显存)

• FP32 (单精度)：传统的“标杆”。8 位指数，23 位尾数。精度高，但太占空间。

• FP16 (半精度)：为了快。只有 5 位指数，10 位尾数。缺点是容易“溢出”（数字太大或太小就没法表示了）。

• BF16 (Brain Float 16)：Google 发明的。8位指数位，7 位尾数

  • 重点： 牺牲了精度来换取和 FP32 一样的数值范围，这样训练时就不容易溢出，比 FP16 更稳。

• TF32 (Tensor Float 32)：NVIDIA A100 专用。它是 FP32 的“瘦身版”，保留了 FP32 的范围，但在计算内部截断了精度。

• Int32 (整型)：标准的 32 位整数。1 位符号位，31 位数值位。

  • 特点：范围极大（约 $\pm 21$ 亿），但在深度学习模型参数中很少直接使用，因为它太占空间且不支持小数点。

  Int16 (短整型)：16 位整数。1 位符号位，15 位数值位。

  • 特点：范围在 $\pm 32768$ 之间。在某些特定的底层硬件加速或早期的音频处理中会用到，但在主流深度学习训练/推理中不如 Int8 普及。

• Int8：8 位整数。主要用于推理（部署），因为模型训练好后，很多参数不需要那么精确也能跑出好结果

梯度归零问题

• 梯度归零：指在采用低精度浮点数（如 FP16）存储梯度时，由于数值过小，超出了该数据格式能表示的最小正值范围，导致梯度在表示或计算过程中被强制截断为 0。这会导致模型参数停止更新，训练陷入停滞。

原因

• 硬件维度的指数限制：FP16 的指数位仅有 5 位，配合偏置值（Bias=15），其能表示的最小规范化正数为 $2^{-14}$。
• 算法维度的精细化：FP16 的尾数位仅有 10 位。当数值接近 $2^{-14}$ 时，其最小可感知的变化步长（精度坍塌点）仅为 $2^{-24}$。
• 正则化压制：在 Word2Vec 或大型 Transformer 中，L2 正则化会强制将权重和梯度压制在极小范围内。当梯度值 $g<2^{-24}$ 时，在 FP16 体系下该数值无法被表示，直接映射为 0。

推导

• 公式：$V=(-1{)}^S\times (1+M)\times 2^{E-Bias}$
• 最小规格化正数：为获得最小值，令指数位 $E=1$，尾数位 $M=0$：$V_{min\_norm}=1.0\times 2^{1-15}=2^{-14}$
• 最小精度步长：在最小指数范围内，数值的精度由尾数 $M$ 的最后一位决定。FP16 有 10 位尾数，最后一位的权重为 $2^{-10}$。$\Delta V=2^{-10}\times 2^{-14}=2^{-24}$
• 归零判定：若梯度计算结果 $g$ 满足 $|g|<\Delta V\text{ (即 }{2}^{-24}\text{)}$，则在 FP16 的位宽限制下，计算机无法区分 $g$ 与 $0$ 之间的差异，执行硬件截断

解决方案

• 损失放大：在反向传播前，将 Loss 乘以一个巨大的比例因子 $S$（例如 $2^{16}$）：$Los{s}_{scaled}=Loss\times S$
• 链式传导：根据链式法则，所有梯度都会随之放大 $S$ 倍，从而将原本位于 $2^{-24}$ 以下的梯度推回至 FP16 的有效表示范围（$2^{-14}$ 以上）。$G_{scaled}=\frac{\partial (Loss\times S)}{\partial w}=G_{original}\times S$
• 权重更新前还原： 在更新权重 $w$ 之前，先将梯度除以 $S$ 还原，并在 FP32 格式下进行更新，确保优化步长不受影响

低精度的意义

• 高精度问题：高精度 = 费钱、耗电、慢
• 低精度优点
  • 更少内存：显存占用减半，你可以跑更大的 Batch Size。
  • 更低能耗：执行一次 FP32 乘法 的能量约为 3.7pJ，而 FP16 仅需 1.1pJ。由于乘法器电路复杂度与位数平方成正比，低精度不仅能节省 2x 的内存，更能带来近 4x 的能效比提升，是大规模集群训练的工业标准
  • 更快的计算：单位时间内 GPU 能处理更多的运算（TFLOPS 更高）

精度选择

混合精度训练 (AMP)

• 全称：Automatic Mixed Precision
• 核心思想：能省则省，该准则准

操作

1. 准备阶段：在内存中同时存在一套 FP32 权重（主权重）和一套 FP16 权重（计算用）。

2. 前向传播 (Forward)：使用 FP16 权重进行计算，得到 Loss。

3. 损失缩放 (Loss Scaling) —— 关键步骤！：

   • 在调用 loss.backward() 之前，先将 Loss 乘以一个因子 $S$（比如 65536）。

   • 公式：$Los{s}_{scaled}=Loss\times S$。

4. 反向传播 (Backward)：

   • 此时计算出的梯度全都被放大了 $S$ 倍。

   • 原本会变成 $0$ 的微小梯度（比如 $2^{-20}$），现在变成了 $2^{-20}\times 2^{16}=2^{-4}$，成功留在 FP16 的规格化安全区。

5. 梯度还原 (Unscaling)：

   • 在更新权重前，把这些 FP16 梯度除以 $S$，还原回真实大小。

6. 权重更新：

   • 将还原后的梯度应用到那套 FP32 主权重上。

   • 为什么用 FP32 更新？ 因为梯度 $\times$ 学习率后的变化量非常小，只有 FP32 能精准捕捉这种细微的挪动。

A100/H100/V100

• 训练阶段
  • 旧卡（如 V100），首选 FP16 混合精度。
  • A100/H100 等新卡，强烈建议用 BF16，它更稳定，基本不需要调 Loss Scaling
• 推理阶段
  • CV 任务：普遍能接受 Int8 量化。
  • NLP/大模型：通常用 FP16 或 Int8/FP16 混合。