1.引子
通过上图，我们发现即使是在我们看来字节大小、实际意义一样的数据，以浮点数、整数两种不同的形式进行存放、取出结果是不同的值，这就说明计算机对浮点数与整数是完全不同的处理方式。毕竟我们都知道计算机是只能识别二进制，因此如何表示小数以及用科学计数法表示数中的点后数以及10的次方就是个值得仔细规划的问题。
2.浮点数的存储
1.浮点数转化为二进制
与整数一样，浮点数也可以根据2的权重转换成二进制，后面乘对应的2的次方即是科学计数法的表示形式
类似于十进制下浮点移动，后面乘上对应10的次方，二进制下科学计数法也是如此，上图101.1还可以进一步化成如下形式
2.S、M、E的存储空间规定
如果我们仔细思考就会发现所有的浮点数都可以表示成这样形式，那么唯一在变的其实就是S、M、E，因此浮点数我们只要存储好这三者就行了。
3.浮点数的存入的特殊规定
1.针对M的特殊规定
前文说过任何数都可以表示成类似科学计数法的表示形式，M必然是1.xxxxx的形式，那么在存储的时候，1其实就显得多余了，因此存储的时候1.xxxx的‘1’就是默认存在的，省略不存，内存中只会存入后面的.xxxxx的部分，如1.01，最终只会存入01，取出的时候将前面的‘1’加上，这样存就会多出1bite的空间，我们存储的精度就更大了。
2.针对E的特殊规定
首先E被规定无符号整数，这意味E为8位，那么它的取值范围是0~255，如果是11位，那么它的取值是0~2047，但是我们知道科学计数法的指数位应该是可以出现负数的，所以IEEE 754规定存入时必须加上一个中间数，对于8位的E,这个中间数就是127；对于11位的E,这个数就是1023.如存储2^10，E为10，所以保存成32位浮点数时，必须保存成10+127=137，即10001001。
注：对于有效位数为0的情况，我们要可以用0补齐到M对应存储位。如0.5 的⼆进制形式为0.1，由于规定正数部分必须为1，即将⼩数点右移1位，则为1.0*2^(-1)，其阶码为-1+127(中间值)=126，表⽰为01111110，⽽尾数1.0去掉整数部分为0，补⻬0到23位，如以下形式：
0 0111111000000000000000000000000
（因为从左往右2的权重是逐渐减小的，0是加载数字后面的）。
4.浮点数特殊的取出规定
1.E不全为0或1的情况：
将解码减去对应127或者1023得到E,再将有效数字M前面补上1，最后根据S判断数据的正负。
2.E全为0：
E为全0，则E的真实值为-127，则源数据为
，这是一个无限接近于0的数，实际就为0.xxxxxxxxxx,因此规定1-127即为真实值E,有效数字M不再加上第⼀位的1，而是还原为0.xxxxxx的⼩数。这样就表示了表⽰±0，以及接近于0的很⼩的数字。
3.E为全1
这是阶数很大，如果有效数字M全为0，则表⽰±⽆穷⼤（正负取决于符号位s）；
注：因为E是unsigned int 所以E仍然存在取值范围，不可能表示出所有数。
3.浮点数存储精度
1.精度丢失
其实上述的存储看似万无一失，但是当我们多输入一些数字
我们会发现当精度特别小的时候，我们的数值看起来就变不太一样了，因为其实二进制表示十进制时，对于0.xxxx后面的xxxxx部分是通过2的负次方来表示的，但是这种表示方法就会出现部分数无论怎么往后凑，都会差一点，甚至无限下去，因此，有的浮点数实际上计算机跟我们人看到的不一样，对于这些数，计算机会根据精度来确定数字具体多少。如0.1，如精度只有0.1，那它就是0.1，但是当精度到0.50时，它就不是0.1了。
2.浮点数的比较
因为前面说的精度丢失问题，浮点数间不能用==直接比较大小
那么针对这种情况，我们该如何比较呢？浮点数只能使用差值与规定精度进行比较
1.自定义精度下的差值比较
2.系统精度下的差值比较
