tf.linspace和np.linspace的对比分析

解释：

tf.linspace(start, end, num)：这个函数主要的参数就这三个，start代表起始的值，end表示结束的值，num表示在这个区间里生成数字的个数，生成的数组是等间隔生成的。start和end这两个数字必须是浮点数，不能是整数，如果是整数会出错的，请注意！

np.linspace(start, end, num)：主要的参数也是这三个，我们平时用的时候绝大多数时候就是用这三个参数。start代表起始的值，end表示结束的值，num表示在这个区间里生成数字的个数，生成的数组是等间隔生成的。start和end这两个数字可以是整数或者浮点数！

分析：

这两个函数的功能是差不多的，如果就是用这三个参数，就是相同的，不过生成的结果有一点点十分微小的区别，估计是在近似的时候产生的，也就是近似的方式不同，或者是精度不同产生的，产生间隔的准则是一样的，间隔的计算公式为（end - start） /（ num - 1）。产生的num个数字里面，包含了起始值和结束值。

例如：

import tensorflow as tf
import numpy as np
 
A = tf.linspace(1.0, 20.0, 10)
B = np.linspace(1, 20, 10)
 
print A.eval(session=tf.Session())
print B

结果：

[  1.           3.11111116   5.22222233   7.33333349   9.44444466
  11.55555534  13.66666698  15.77777863  17.88888931  20.        ]
[  1.           3.11111111   5.22222222   7.33333333   9.44444444
  11.55555556  13.66666667  15.77777778  17.88888889  20.        ]
--------------------- 
作者：UESTC_C2_403 
来源：CSDN 
原文：https://blog.csdn.net/UESTC_C2_403/article/details/76042152 
版权声明：本文为博主原创文章，转载请附上博文链接！

结果不一样的原因是默认精度不同。NumPy的默认精度是np.float64，而TensorFlow的默认精度是tf.float32。如果把第5行代码改成

1.  

2. B = np.linspace(1, 20, 10, dtype=np.float32)

3.  

输出结果就一样了。