Formát s plovoucí desetinnou čárkou s dvojitou přesností

Formát s plovoucí desetinnou čárkou s dvojitou přesností je formát počítačových dat, který umožňuje reprezentaci reálných čísel se zadanou přesností nebo počtem platných číslic. Zkratka „DPFP“ znamená double-precision floating-point. Tento formát se běžně používá ve vědeckých a technických aplikacích, kde je vyžadována přesnost na mnoho desetinných míst, a ve srovnání s formátem s plovoucí desetinnou čárkou s jednoduchou přesností nabízí více bitů přesnosti (54 bitů).

Reprezentace reálného čísla s dvojnásobnou přesností se skládá ze tří částí: znaménka (s), exponentu (e) a mantisy (m). Znaménko (s) udává, zda je reálné číslo záporné (s=1) nebo kladné (s=0). Exponent (e) je binární číslo, které udává mocninu, na kterou musí být umocněno nebo vyděleno základní číslo 2, aby se získalo požadované číslo. Nakonec mantisa (m) je binární zlomek představující číslice reálného čísla napravo od desetinné čárky.

Za účelem uložení hodnoty s dvojnásobnou přesností do paměti počítače je 64 bitů přiděleno jako 8 bajtů. To se řídí specifickým formátem známým jako standard IEEE 754 pro čísla s plovoucí desetinnou čárkou, který se používá k zajištění kompatibility napříč různými architekturami. První bit z 8bajtové paměti se používá k reprezentaci znaménkového bitu (bitů). Dalších 11 bitů představuje exponent (e) a zbývajících 52 bitů představuje mantisu (m).

Od roku 2018 se formát s plovoucí desetinnou čárkou s dvojitou přesností používá v grafických procesorových jednotkách (GPU) jako způsob, jak dosáhnout větší přesnosti a lepšího výkonu ve vědeckých a inženýrských aplikacích a v univerzálních výpočtech na grafických procesorových jednotkách (GPGPU). Kromě toho lze na moderních CPU i GPU provádět operace s plovoucí desetinnou čárkou s dvojitou přesností, přičemž se využívá výhod paralelismu – techniky, která umožňuje simultánní výpočet více částí problému – k urychlení procesu.

S rozvojem rozsáhlých neuronových sítí s hlubokým učením se používání plováků s dvojitou přesností v architekturách GPU stává stále důležitějším, protože umožňuje zachytit a simulovat jemnější detaily v obrazech, zvukových klipech a dalších typech dat.