IEEE754浮点解析 - MyTools在线工具

浮点数 → 位分解

float64float32

符号+1（正）指数（原始码1019，真实指数-4）尾数52位

十六进制

0x3FB999999999999A

实际存储值

0.1

与输入的相对误差

0.000e+0

精确值

3602879701896397 / 36028797018963970

十六进制 → 浮点数

IEEE 754 结构

float64 = 1 位符号 + 11 位指数（偏移 1023）+ 52 位尾数； float32 = 1 + 8（偏移 127）+ 23。值为 ±1.尾数 × 2^指数。这也是 0.1 + 0.2 !== 0.3 的根源——二进制无法精确表示部分十进制小数， float32 额外多一轮舍入，误差更明显。

IEEE 754 浮点数解析工具：把 float32/float64 与十六进制位表示互转，拆出符号位、指数与尾数，看透浮点数的存储本质。

适用场景

排查精度问题：看 0.1 在 64 位浮点下的真实表示
对接二进制协议：确认浮点字段字节序与位模式
学习 IEEE 754：符号/指数/尾数三段结构可视化

常见问题

为什么 0.1 + 0.2 != 0.3？

0.1 在二进制下是无限循环小数，IEEE 754 只能存近似值，两个近似值相加再与 0.3 的近似值比较有微小误差。这是所有遵循 IEEE 754 语言的通病，解法是按精度容差比较或用十进制库。

float32 和 float64 该用哪个？

常规计算用 float64（JS 的 Number 就是它）；图形、机器学习等大数组场景用 float32 换取一半内存与带宽，但要接受 7 位有效数字的精度损失。

IEEE754浮点解析 - MyTools在线工具

IEEE754浮点数解析

适用场景

常见问题

为什么 0.1 + 0.2 != 0.3？

float32 和 float64 该用哪个？

相关工具