python5的阶乘_Python tensorflow计算整数阶乘的方法与局限性

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。

Tag标签: