本文代码主要演示tensorflow的基本用法。
import tensorflow as
# 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