浮点型是计算机中用于表示实数的数据类型，核心分为单精度浮点型（float）和双精度浮点型（double）两种基本类型，此外还有半精度浮点型（half）和扩展精度浮点型（long double）等变体。 float占用4字节内存，有效数字约7位，表示范围约±3.4×10^38；double占用8字节，有效数字约15-16位，范围约±1.8×10^308。不同浮点型在精度、存储空间和计算速度上存在差异，开发者需根据实际需求选择：对精度要求高时使用double，对内存敏感或处理大量数据时使用float，在深度学习或图形处理中常使用半精度浮点型以提升效率。

浮点型遵循IEEE 754标准，采用符号位、指数位和尾数位存储数据。由于二进制无法精确表示所有十进制小数，浮点运算会产生舍入误差，这是编程中需要特别注意的问题。此外，浮点型还包含特殊值如正无穷、负无穷和NaN（非数值），用于处理异常计算场景。

【常见问题】

问题1：浮点型中float和double的主要区别是什么？

回答1：float和double的主要区别在于存储大小和精度。float占用4字节，有效数字约7位；double占用8字节，有效数字约15-16位。double的表示范围更大，计算精度更高，但占用内存和运算开销也更大。

问题2：浮点型运算为什么会产生误差？

回答2：由于浮点型采用二进制科学计数法存储，大多数十进制小数（如0.1）无法被二进制精确表示，因此浮点运算会引入舍入误差。这是IEEE 754标准的固有特性，在比较浮点数时通常使用容差（如ε）而非直接相等。

问题3：半精度浮点型（half）适用于哪些场景？

回答3：半精度浮点型（float16）占用2字节，精度较低但节省内存和带宽，常用于深度学习模型的训练和推理（如混合精度训练）、图形渲染中的HDR纹理以及移动端AI计算，能够显著提升吞吐量而不过多损失模型精度。