本文代码主要演示tensorflow的基本用法。
import tensorflow as tf
# 创建变量,保存计算结果 start = tf.Variable(1, dtype=tf.int64)
# 初始化变量的op init_op = tf.global_variables_initializer()
# 启用默认图
with tf.Session() as sess: # 初始化变量 sess.run(init_op)
# 执行计算 for i in range(2, 31): # 创建常量 t = tf.constant(i,dtype=tf.int64) # 创建乘法的op和重新赋值的op new_value = tf.mul(start, t) update = tf.assign(start, new_value) # 执行计算 sess.run(update) # 输出结果 print(t.eval(),':',sess.run(start))
上面代码的运算结果为:
2 : 2 3 : 6 4 : 24 5 : 120 6 : 720 7 : 5040 8 : 40320 9 : 362880 10 : 3628800 11 : 39916800 12 : 479001600 13 : 6227020800 14 : 87178291200 15 : 1307674368000 16 : 20922789888000 17 : 355687428096000 18 : 6402373705728000 19 : 121645100408832000 20 : 2432902008176640000 21 : -4249290049419214848 22 : -1250660718674968576 23 : 8128291617894825984 24 : -7835185981329244160 25 : 7034535277573963776 26 : -1569523520172457984 27 : -5483646897237262336 28 : -5968160532966932480 29 : -7055958792655077376 30 : -8764578968847253504
可以看出,当整数大于20之后,阶乘的计算结果就不对了,这是因为tensorflow的变量类型和常量类型设置为tf.int64的原因,很遗憾似乎这已经是tensorflow的极限了,毕竟实现机制与Python并不一样,不能像Python一样表示任意大小的数字,如果把上面代码中的int64修改为float64固然可以表示更大的数字,但是由于浮点数精度问题会有很大的误差。下面的纯Python代码则不会有任何问题,当然还可以支持更大整数的阶乘,大家可以自行试验。
>>> import math >>> for i in range(2, 31): print(i,':',math.factorial(i))
2 : 2 3 : 6 4 : 24 5 : 120 6 : 720 7 : 5040 8 : 40320 9 : 362880 10 : 3628800 11 : 39916800 12 : 479001600 13 : 6227020800 14 : 87178291200 15 : 1307674368000 16 : 20922789888000 17 : 355687428096000 18 : 6402373705728000 19 : 121645100408832000 20 : 2432902008176640000 21 : 51090942171709440000 22 : 1124000727777607680000 23 : 25852016738884976640000 24 : 620448401733239439360000 25 : 15511210043330985984000000 26 : 403291461126605635584000000 27 : 10888869450418352160768000000 28 : 304888344611713860501504000000 29 : 8841761993739701954543616000000 30 : 265252859812191058636308480000000
在外地出差讲Python,每天6小时,连续5天,昨天凌晨5点出门,今天凌晨1点到达宾馆安顿好,今天讲了6小时感觉还不是太累,晚上就在宾馆看点资料写点代码分享一下,做程序员和老师确实需要个好体力啊。