快速浮动量化，按精度缩放？
由于浮点精度因较大值而减小，在某些情况下，根据其大小量化值可能很有用 – 而不是按绝对值量化。
一种天真的方法可能是检测精度并进行扩展：
float quantize(float value, float quantize_scale) { float factor = (nextafterf(fabsf(value)) - fabsf(value)) * quantize_scale; return floorf((value / factor) + 0.5f) * factor; } 然而，这似乎太沉重了。
相反，它应该可以屏蔽浮点数mantisa中的位来模拟类似于投射到16位浮点数的东西，然后返回 – 例如。
不是浮点钻头的专家，我不能说结果浮点数是否有效（或需要规范化）
对于速度，当关于舍入的确切行为不重要时，什么是量化浮点数的快速方法，考虑其大小？
Veltkamp-Dekker分裂算法将浮点数分成高低部分。 示例代码如下。
如果有效数据中有s位（IEEE 754 64位二进制中有53位），并且下面代码中的值Scale为2 b ，则*x0接收*x0的高s – b位， *x1接收剩余的位，您可以放弃（或从下面的代码中删除，因此永远不会计算）。 如果b在编译时已知，例如常量43，则可以用适当的常量替换Scale ，例如0x1p43 。 否则，你必须以某种方式产生2 b 。
这需要圆到最近的模式。 IEEE 754算术就足够了，但其他合理的算法也可以。 它使关系变得均匀。
这假设x * (Scale + 1)不会溢出。 必须以与分离值相同的精度评估操作。 （ double用于double ， float用于float ，依此类推。如果编译器使用double计算float表达式，则会中断。解决方法是将输入转换为支持的最宽浮点类型，在该类型中执行拆分[相应调整Scale ]，然后转换回来。）
void Split(double *x0, double *x1, double x) { double d = x * (Scale + 1); double t = d - x; *x0 = d - t; *x1 = x - *x0; }