直接用==比较float/double几乎总是错误的，因浮点数以二进制近似存储（如0.1无法精确表示），导致0.1+0.2==0.3返回false，或相同计算在不同环境下结果不一致，应采用误差范围容差比较。
直接用 == 比较两个 float 或 double 几乎总是错的
浮点数在内存中是二进制近似表示，很多十进制小数（比如 0.1）无法精确存储。哪怕只是计算路径不同，a 和 b 看起来都是 0.3，它们的二进制位也可能差 1–2 ULP（unit in the last place）。所以 a == b 很可能返回 false，即使“数学上”相等。
典型错误现象：
- 0.1 + 0.2 == 0.3 返回 false
- 同一公式两次计算结果不一致，== 判定失败
- 单元测试在不同编译器或优化级别下偶然失败
用相对误差 + 绝对误差组合判断（推荐通用方案）
只用固定容差（如 abs(a - b) ）在数值极小或极大时会失效：前者容易误判（<code>1e-10 和 0 差 1e-10，但相对误差是 100%），后者可能漏判（1e20 和 1e20 + 1 绝对差才 1，但已超出精度极限）。
工业级做法是同时检查：
- 绝对差是否小于一个很小的基准容差（应对接近零的情况）
- 相对差是否小于一个比例容差（应对大数情况）
示例函数：
立即学习“C++免费学习笔记（深入）”；
bool almost_equal(double a, double b, double abs_tol = 1e-9, double rel_tol = 1e-9) {
double diff = fabs(a - b);
return diff <= abs_tol || diff <= rel_tol * fmax(fabs(a), fabs(b));
}注意：fmax 来自 <cmath>；abs_tol 应 ≥ 0，且通常 ≤ rel_tol；若其中一个为 NaN，该函数返回 false（符合 IEEE 754）。
使用 std::numeric_limits<T>::epsilon() 的常见误解
epsilon() 表示 1.0 附近的最小可区分增量（即 1.0 + epsilon != 1.0），**不是全局误差阈值**。直接写 abs(a - b) ::epsilon() 是错的——它只对 [0.5, 2.0) 区间有意义，超出后误差线性放大。
正确用法（仅当你知道数值量级稳定在 1 附近时）：
- 先归一化：比如比较
a/100和b/100，再用epsilon - 或按量级缩放：用
abs(a - b) —— 这其实就退化成上面的相对误差形式
别把 epsilon 当 magic number 直接套用。
特殊值处理不能省（NaN、Inf、符号零）
标准浮点比较必须考虑边界情况：
-
NaN == anything（包括自身）永远是false，所以almost_equal(NAN, NAN)应明确返回true还是false？多数库（如 Python 的math.isclose）默认false，除非开启nan_equal=true -
+0.0 == -0.0在 C++ 中为true，但某些场景需区分（如复数除法、符号传播），这时得额外用signbit() -
INFINITY和-INFINITY可用isinf()单独判断，避免参与fabs或fmax导致未定义行为
如果你的业务涉及科学计算或金融中间件，这些分支必须显式覆盖，否则线上可能出隐蔽逻辑偏差。
