Wat is Mantisse (significand)?

In een drijvendekommagetal de bitreeks die het gedeelte met de significante cijfers weergeeft. Bij genormaliseerde getallen wordt de voorste 1 niet opgeslagen, zodat bij enkele precisie 23 opgeslagen bits een precisie van 24 bits geven.

Japanse benaming: 仮数

“Mantisse (significand)” komt voor in 20 oefenvragen uit 2 onderwerpen, bijv. Computerarithmetiek, GPU-programmeren.

Vakgebied: Computerarithmetiek

Nu oefenen: vragen over Mantisse (significand)

Welke combinatie van aantallen bits voor teken, exponent en mantisse geldt voor een IEEE 754-getal met enkele precisie (32 bit)?

  1. A1 · 11 · 20
  2. B1 · 8 · 23
  3. C1 · 5 · 26
Antwoord en toelichting tonen

Antwoord: B. 1 · 8 · 23

Enkele precisie (FP32) bestaat uit 1 tekenbit, 8 exponentbits en 23 mantissebits, samen 32 bit. Bij genormaliseerde getallen wordt de voorste 1 van de mantisse weggelaten, zodat de precisie 24 bit bedraagt, ongeveer 7 decimale cijfers. Dubbele precisie (FP64) heeft 1 teken-, 11 exponent- en 52 mantissebits, met een groter exponentbereik en een hogere precisie. 1 · 11 · 20 verwart met de exponentbreedte van dubbele precisie en 1 · 5 · 26 met die van halve precisie.

Wat is het juiste effect van het niet opslaan van de voorste 1 van de mantisse (verborgen bit) bij genormaliseerde IEEE 754-getallen?

  1. ADoor de voorste 1 weg te laten kunnen negatieve getallen worden weergegeven
  2. BMet hetzelfde aantal bits neemt de precisie met 1 bit toe
  3. CDoor de voorste 1 weg te laten is het resultaat van een berekening altijd exact
Antwoord en toelichting tonen

Antwoord: B. Met hetzelfde aantal bits neemt de precisie met 1 bit toe

Bij binaire normalisatie heeft elk getal ongelijk aan 0 de vorm 1.xxx × 2^exponent, zodat het voorste bit altijd 1 is. Een bit waarvan de waarde vastligt hoeft niet te worden opgeslagen; het weggelaten bit wordt aan het fractionele deel besteed. Daardoor bedraagt de precisie 24 bit, hoewel bij enkele precisie slechts 23 mantissebits worden opgeslagen. Bij gedenormaliseerde getallen met een exponent van alleen nullen wordt de voorste bit echter als 0 beschouwd. Negatieve getallen worden met het tekenbit weergegeven en afrondfouten verdwijnen er niet door.

“Mantisse (significand)” in de toelichting

Vragen met “Mantisse (significand)” (20)

  1. Welke combinatie van aantallen bits voor teken, exponent en mantisse geldt voor een IEEE 754-getal met enkele precisie (32 bit)?
  2. Wat is het juiste effect van het niet opslaan van de voorste 1 van de mantisse (verborgen bit) bij genormaliseerde IEEE 754-getallen?
  3. Welk hexadecimaal getal is het bitpatroon (teken, exponent, mantisse) bij omzetting van −6,25 naar enkele precisie?
  4. Hoe worden de twee FP8-formaten E4M3 (exponent 4, mantisse 3 bit) en E5M2 (exponent 5, mantisse 2 bit) gewoonlijk onderscheiden in gebruik?
  5. Welke combinatie van drie onderdelen vormt een IEEE 754-drijvendekommagetal?
  6. Welke combinatie van aantallen exponent- en mantissebits is juist voor een IEEE 754-getal met dubbele precisie (64 bit)?
  7. Wat is de werkelijke exponent (de macht van 2) wanneer in een IEEE 754-getal met enkele precisie de opgeslagen exponentwaarde 130 is?
  8. Welk hexadecimaal getal is het bitpatroon van het decimale getal 1,0 in IEEE 754 met enkele precisie?
  9. Welke uitspraak is juist over het decimale getal 0,1 weergegeven als binair drijvendekommagetal?
  10. Wat is de machine-epsilon (het verschil tussen 1 en het eerstvolgende weer te geven getal groter dan 1) bij IEEE 754 met enkele precisie?
  11. Welke combinatie geeft het aantal betrouwbare decimale significante cijfers van drijvendekommagetallen met enkele en dubbele precisie juist weer?
  12. Wat is het resultaat dat de norm voorschrijft wanneer bij drijvendekommabewerkingen volgens IEEE 754 een positief getal door 0 wordt gedeeld?
  13. Welke uitspraak is juist over het bitpatroon bij enkele precisie in IEEE 754 waarvan het exponentveld uit alleen enen (255) bestaat?
  14. Wat is de belangrijkste reden dat bfloat16 wordt gebruikt bij het trainen van AI?
  15. Wat is een probleem bij het trainen van een neuraal netwerk met FP16 (halve precisie: 1 teken, 5 exponent, 10 mantissebits) dat wordt aangepakt door de verliesfunctie een aantal keer te vergroten voor de berekening (loss scaling)?

Verwante termen

Exponent IEEE 754 NaN Vaste komma (fixed-point) bfloat16 Gemengde precisie (mixed precision) FP8 Gedenormaliseerd getal (subnormaal getal) Machine-epsilon Numerieke apertuur (NA)

Naar de woordenlijst