使用TensorFlow并使用NumPy中的文件加载方法时，似乎可以将所有内容指定为双精度：
np.loadtxt(..., dtype=np.float64)
tf.placeholder(tf.float64...)
tf.Variable(..., dtype=tf.float64...)
NumPy和TensorFlow具有单独的数据类型值。
如果您说np.loadtxt(..., dtype=tf.float64)它失败并显示错误消息。好的，NP是在TF之前编写的，因此它不了解TF数据类型值。
另一方面，如果你说tf.placeholder(np.float64...)，它似乎工作正常。嗯？好吧，TF是在NP之后编写的，也许它被编程为理解NP数据类型值。但是，为什么它首先有自己独立的数据类型值而不是仅仅使用NP？
就TF而言，两者之间的区别是什么？可以在任何地方使用np.float64，还是会导致问题？ （我问的原因是，我想在程序的开头设置一个参数，你可以通过改变一行在单精度和双精度之间切换，如果你确实可以使用{{{} 1}}无处不在。）
答案 0 :(得分：2)
NumPy的dtype和TensorFlow的DType实际上是不同的东西（基本上，TensorFlow的DType只是内部enum的值，而NumPy's dtypes are actual objects。）因此，NumPy不了解TensorFlow DType。虽然有兼容的对。您可以通过其属性is_numpy_compatible了解您的DType是否与NumPy兼容。 TensorFlow接受NumPy dtype，因为他们通过as_dtype方法清除初始化方法中的dtype参数输入，该方法也接受NumPy dtype，将它们转换为正确的TensorFlow { {1}}值。
所以，长话短说：你基本上可以在任何地方传递DType和np.float64，TensorFlow会妥善处理这个问题。