常见的浮点类型有fp16，fp32，bf16，tf32，fp24，pxr24，ef32，能表达的数据范围主要看exponent，精度主要看fraction。

可以看出表达的数据范围看fp32，bf16，tf32，pxr24和ef32都是一样的，因为大家能表达的都是-22542255这个大概范围。fp24到表达范围比上面这些小，是-21262127

从精度上看fp32>pxr24>ef32>tf32>bf16，燧原的ef32都精度比Nvidia的fp32的精度多了一位，但都显著优于google的bf16，燧原的ef32，Nvidia的tf32都是使用fp16的计算性能像fp32的表达范围靠齐的一种尝试。

 

之前看《Enflame 2.0 Whitepaper_Dorado》的时候，看到描述tf32是1+8+11，还和一位同事纠结了一下，后来才知道燧原白皮书里面说的tf32其实是自己的ef32，并不是Nvidia的tf32，多设计一位精度最初是为了规避专利风险，后面也有精度和性能的折中考虑。

ef32总共20bits，而tf32是19bits，从硬件设计上说20bits的性能应该比19bits更好，当前也不排除Nvidia另外拿一个bit来作为奇偶校验位之类的设计。

 

另外，AI中也有很多场合用定点数据，就是编程语言里面说的整型，一般用INT8，类似C语言里面的char和byte。

 

IEEE half-precision

 16-bit float

 

 

IEEE 754 single-precision

 32-bit float

 

 bfloat16

 

 

 

NVidia's TensorFloat(tf32)

 

 

 

AMD's fp24 format

 

 

Pixar's PXR24 format

 

 

 

Enflame's ef32

 

 

更多参考文档:

1. bfloat16 floating-point format - Wikipedia
2. What is the TensorFloat-32 Precision Format? | NVIDIA Blog
3. A100 Tensor Float 32 性能实测 - 知乎 (zhihu.com)

原文: https://www.cnblogs.com/zhouronghua/p/15170247.html