我有一段简单的代码，可以使用浮点运算。 循环中很少有乘法，除法，exp（），减法和加法。 当我在不同的平台（如PC，Android手机，iPhone）上运行相同的代码时，我得到的结果略有不同。 结果在所有平台上几乎相同，但差异非常小 - 通常为浮点值的1/1000000。
我想原因是有些手机没有浮点寄存器，只是用整数模拟这些计算，有些手机有浮点寄存器，但有不同的实现。 这里有证明：http://christian-seiler.de/projekte/fpmath/
有没有办法强制所有平台产生一致的结果？ 例如，一个好的＆amp;快速开源库，用整数（软件）实现浮点机制，因此我可以避免硬件实现的差异。
我需要精确一致性的原因是避免计算层之间的复合错误。 目前，这些复合错误会产生明显不同的结果。 换句话说，我并不在乎哪个平台的结果更正确，而是希望强制一致性以便能够重现同等行为。例如，在手机上发现的错误更容易在PC上调试，但我需要重现这种确切的行为
答案 0 :(得分：2)
一种相对广泛使用的高质量软件FP实现是MPFR。但是，它比硬件FP慢很多。
当然，这不会解决您的算法在复合错误中遇到的实际问题，它只会使它在所有平台上产生相同的错误。如果可行的话，可能更好的方法是设计一种对FP算术中的小差异不敏感的算法。或者，如果你使用MPFR路径，你可以使用更高精度的FP类型，看看是否有帮助，不需要限制自己模拟硬件单/双精度。
答案 1 :(得分：1)
32位浮点数学，对于给定的计算，最多在16777216中具有1的精度（1 in 2 24 ）。诸如exp之类的函数通常被实现为一系列计算，因此可能会出现更大的错误。如果连续进行多次计算，则错误将增加并相乘。通常，float具有大约6-7位精度。
正如一条评论所说，检查舍入模式是一样的。大多数FPU都有＃34;到最近的＃34; （rtn），＆＃34;舍入到零＆＃34; （rtz）和＆＃34; to to even＆＃34; （rte）模式，你可以选择。不同平台上的默认值可能会有所不同。
如果对相当大的数字执行相当小的数字的加法或减法，由于数字必须被标准化，因此这些操作会产生更大的错误。
标准化意味着移动使得两个数字都排成小数位 - 就像你在纸上做的那样，你必须填写额外的零来排列你添加的两个数字 - 但当然在纸上你可以添加12419818.0与0.000000001，最终得到12419818.000000001，因为纸张具有尽可能多的精度，你可以打扰。在float或double中执行此操作将导致与之前相同的数字。
pi 1000个数字，或何时例如，您想要计算远大于64或128位的范围内的素数。
它可以解决使用这样一个库的问题，但它会很慢。
更好的选择，从float移动到double应该有类似的效果（double有53位尾数，而32位浮点数则为23，所以尾数中位数的两倍多。并且应该仍然可以作为任何合理的最新ARM处理器中的硬件指令使用，并且因此相对较快，但不如float快（FPU可从ARMv7获得 - 这当然是你在iPhone中找到的 - 至少来自iPhone 3和中高端Android设备 - 我设法发现三星Galaxy ACE有一个ARM9处理器[1997年首次推出] - 所以没有浮点硬件。）