上面这张图主要是用来吸引人的，跟本文内容没啥关系（偷笑~）
还是跟之前一样，本文是阅读《基于物理的渲染：从理论到实践》的总结，文中不会涉及到方方面面，只会整理笔者认为重要的一两个点。本文关注的重点是误差，尤其是舍入误差（Rounding Error），主要来源书中的3.9节。
由于作者水平所限，文中如果有错误或者没有解释到位的地方，还请读者不吝指正。
误差的来源
首先我们必须认识到，没有任何方法可以避免误差，我们能做的就只能是减少误差。为啥？从误差的来源我们就可以看出来了。
误差会来自两个方面：
第一，用于计算的数据（即输入数据）本身就不是精确的，即输入数据本身就带有误差。
第二，保存数据的工具会产生误差。这个怎么理解？我们用计算机来保存数据，计算机是二进制的，我们用来保存数据的大小也有限制，不可能表示数学上类似于“实数”这种无限精度的数字。
从误差的来源我们就可以看出，误差无法避免，无论是哪个方面的误差我们都无法避免，只能尽可能的减少误差。这就意味着，当我们进行计算的时候（尤其是要进行光线和表面交点这种精度要求非常高的计算），我们必须把误差考虑进去，否则渲染出来的场景会和理想中的场景相差很大。而输入数据本身的精确性我们没法控制，就当它是精确的吧！我们要让第二个误差，也就是保存数据的工具产生的误差减少！
舍入误差
舍入误差，英文名叫rounding error，是用计算机保存实数的时候，由于精度有限，导致的保存的数据和原来的数据的差距。这个差距，就是舍入误差。
就拿32位浮点数来说。IEEE的标准（下面讲的内容都是IEEE标准）是32位浮点数，首位用来保存符号+/-（用s表示），接下来的8位用来保存指数值e，最后的23位用来保存有效数字m（二进制0或者1），即：
于是，我们的数字可以表示成。如果你的观察够敏锐的话，会发现，这种表示方式无法表示0，这是不能容忍的，所以IEEE又规定，如果指数e是0，那么表示的数字将是，这样，如果m等于0的话，我们就能表示0了，虽然有+0和-0之分。当然，这时候IEEE又跳出来了，规定说+0和-0的表现必须是一样的，这样才有了唯一的0值。
绝大多数情况下，我们的指数e不会等于0，所以我们可以放心大胆地只考虑第一种情况。考虑这样一个问题，浮点数1和离1最近的比1大的浮点数之间的间隔是多少呢？
我们来看一下，表示1的时候，m值是00...00，然后e是127，这样求出来。而比这个数稍微大点的数就是在第23位的地方是1，这就比1大了，也是比1大的最小数，它比1大了。这也就说明了，我们没法表示和之间的数字。而这个就是通常所说的机器精度（machine epsilon），我们用表示。
很少有数字正好落在浮点数能精确表示的位置上，不在这个位置上的数怎么办呢？就比如说怎么表示？有两种方法可以采用，一是多出来的精度我就不管了，直接舍弃。二是我先看看这个精确的数字更接近哪个数，然后表示成那个数。和的中间量是，显然要比这个中间量小，所以它会被表示成。
那么，正好落在中间的数怎么办？比如说?这又是一个麻烦事，还是得寄出IEEE大法：
IEEE舍入最近法则：
如果第24位,为1，第24位后的所有已知位是0，那么如果第23位是1，就往第23位加1，如果第23位为0，就不加。
如果第24位为1，第24位之后还有至少一个1，那么就往第23位上加1.
如果第24位为0，那么就舍弃之后的所有位数，保持第23位的数不变。
很绕的一个方法，解释一下。
情况一、表示
因为这个数第24位是0，第25位是1，根据IEEE舍入最近法则，第24位为0的话，保持第23位数不变的原则，第25位会被舍弃，而这个数就会被舍入成。
情况二、表示
这个数第24位是0，之后的所有数位都是0，而的第23位是0，所以不会进位，导致它也会被表示成。
情况三、表示
这个数的第24位是1，并且之后所有的数位都是0，而的第23位是1，所以它会进位，导致最后表示成。
神奇吧？
误差的表示
知道舍入误差产生的原因之后，接下来就要表示误差了。在分析误差的时候，我们需要两个概念：绝对误差（absolute error）和相对误差（relative error）。
令是精确值，而是浮点值
绝对误差表示为
即，浮点值与精确值之差的绝对值。
相对误差表示为
即，绝对误差与精确值绝对值之比。
由于舍入的规则，精确值和浮点值之间的相对误差不会超过半个机器精度，即，大小是。
用表示将精确值舍入成浮点值，舍入后的浮点值通常表示成，就是在上面加个波浪线。然后，用符号来表示浮点算术运算：
误差计算
确定了符号之后，紧接着进行误差的计算。标准的误差计算模型是
每当发生一次浮点运算的时候，引入一个的相对误差，这个误差的大小不超过机器精度的一半。这是一个非常合理的模型，用来分析误差大小非常合适。
误差的累积
考虑这样一个计算：，假设都是精确值。在计算机中，我们可以认为它的计算顺序是这样的，于是它的误差可以表示成：
展开式子可得
这个式子的最大误差是
但是这个表示过于繁琐，我们考虑误差不想这么复杂大计算这么一个长式子，所以把它简化为：
虽然扩大了误差，但是简化了计算。还有就是要注意，这里必须要有绝对值，因为如果中有负数的话，那么相加之后的误差会减少，只有当这些数的符号都相同的时候，它才是最大误差，所以我们在这里加上绝对值符号。比如说，考虑如下的情况：
假设有两个数相加，，计算表达式为：，我们可以得到最终结果是，误差是，用绝对值限制的误差结果是，真实误差在绝对值限制误差之内，而如果没有绝对值，得到的误差会是，显然真实误差要超过限制了，这是不允许的。
这里要指出书上的一处错误，书上说如果中，a和b的符号相同的话，那么最大误差为，这很明显太大了。从它的实现代码来看，它用的也不是这个范围，而是我上面说的那个。
对乘法的计算来说，考虑误差的计算非常直观:
因为本身就要引入的误差，所以最后的误差指数需要再加。
除法的计算就不那么直观了：
你没看错，是而不是，因为这里的有正有负，它是一个范围，所以不能把它消掉，它的误差和相乘的误差是一样的！
一个简洁的记号
根据从其他书上借来的引理，如果，并且对正整数n有，可以得到以下式子：
这样，就可以简单地记作了。
误差计算的实例
根据上面的原理，我们可以看到pbrt中有正确的误差，有错误的误差，还有不知道是不是正确的误差（-_-）！
先看正确的误差：
用计算公式计算出球表面和光线的交点后，还需要执行一步，把交点投射到球表面上去，因为由于误差的缘故，计算出来的交点可能不在表面上。这个投射的过程是
是投射后的x坐标，投射y和z坐标的方式一样。我们来分析一下这个操作的误差
其中,操作引入的误差为，然后为了开根号，我们把分母内的误差扩大了，使得最后的式子非常简洁。可以查看pbrt-v3的代码，我们可以看到：
// Compute error bounds for sphere intersection
Vector3f pError = gamma(5) * Abs((Vector3f)pHit);
没错，就是。
再来看个错误的误差：
在用矩阵转换顶点的时候，代码是这样的
T xp = m.m[0][0] * x + m.m[0][1] * y + m.m[0][2] * z + m.m[0][3];
而书中的式子是这样的
注意这里在后面加了个括号，代码中是没有这个括号的，有了括号之后，计算出来的误差和没有括号计算的误差是不一样的。
我们先来看有括号之后的计算过程是什么
最终引入的误差是。
不加括号是什么样子？
没错，最终引入的误差是。而它的代码中，引入的误差却仍然是：
T xAbsSum = (std::abs(m.m[0][0] * x) + std::abs(m.m[0][1] * y) +
std::abs(m.m[0][2] * z) + std::abs(m.m[0][3]));
*pError = gamma(3) * Vector3(xAbsSum, yAbsSum, zAbsSum);
最后是不知道正确不正确的误差：
计算光线和三角形交点的时候，涉及到的计算非常复杂，最终的计算公式是
但是里面的所有参数，都是从别的地方计算出来的，也就是说这些参数本身就包含误差在里面。误差的计算过程也弄不清楚，为啥要分别计算x，y，z分量的绝对误差值，然后再计算t值的误差，完全搞不懂啊！
总结
说了这么多，你一定觉得误差非常恐怖。其实不然，因为不管误差怎么累积，它的量级也不会太大，除非你放大误差。跟分析误差相比，更应该关注的是算法的稳定性和精确度，因为如果算法不好，它会放大某些误差，导致结果完全不一样。所以，更多地关注算法，在算法出现问题的时候，从误差的角度去思考一下，是一个不错的方法。
参考资料
Physically Based Rendering
pbrt源码，版本3
Accuracy and Stability of Numerical Algorithm
数值分析（第二版）
Rounding Errors in Algebraic Processes