tensorflow中，主要有以下几种数据类型（dtype），在旧版本中，不用加tf也能使用。
有符号整型
tf.int8：8位整数。
tf.int16：16位整数。
tf.int32：32位整数。
tf.int64：64位整数。
无符号整型
tf.uint8：8位无符号整数。
tf.uint16：16位无符号整数。
浮点型
tf.float16：16位浮点数。
tf.float32：32位浮点数。
tf.float64：64位浮点数。
tf.double：等同于tf.float64。
字符串型
tf.string：字符串。
布尔型
tf.bool：布尔型。
复数型
tf.complex64：64位复数。
tf.complex128：128位复数。
补充：tensorflow及numpy的数据类型对象dtype总结
1.dtyte与astype
dtype:查看数据类型
astype：转换数据类型
2.tensorlow数据类型对象dtype
| 名称 | 描述 |
|---|---|
| tf.float16 | 16位半精度浮点 |
| tf.float32 | 32位单精度浮点 |
| tf.float64 | 64位双精度浮点 |
| tf.bfloat16 | 16位截断浮点 |
| tf.complex64 | 64位单精度复数 |
| tf.complex128 | 128位双精度复数 |
| tf.int8 | 8位有符号整数 |
| tf.uint8 | 8位无符号整数 |
| tf.uint16 | 16位无符号整数 |
| tf.int16 | 16位有符号整数 |
| tf.int32 | 32位有符号整数 |
| tf.int64 | 64位有符号整数 |
| tf.bool | 布尔值 |
| tf.string | 字符串 |
| tf.qint8 | 量化的8位带符号整数 |
| tf.quint8 | 量化的8位无符号整数 |
| tf.qint16 | 量化的16位有符号整数 |
| tf.quint16 | 量化的16位无符号整数 |
| tf.qint32 | 量化的32位有符号整数 |
tf.as_dtype()函数将numpy类型和字符串类型名称转换为dtype对象。
3.numpy数据类型对象dtype
| 名称 | 描述 |
|---|---|
| np.bool_ | 布尔型数据类型 |
| np.int_ | 默认的整数类型 |
| np.intc | 与 c 的 int 类型一样，一般是 int32 或 int 64 |
| np.intp | 用于索引的整数类型，一般是 int32 或 int64 |
| np.int8 | 8位整数即1字节（-128 to 127） |
| np.int16 | 16位整数（-32768 to 32767） |
| np.int32 | 32位整数（-2147483648 to 2147483647） |
| np.int64 | 64位整数（-9223372036854775808 to 9223372036854775807） |
| np.uint8 | 8位无符号整数（0 to 255） |
| np.uint16 | 16位无符号整数（0 to 65535） |
| np.uint32 | 32位无符号整数（0 to 4294967295） |
| np.uint64 | 64位无符号整数（0 to 18446744073709551615） |
| np.float_ | float64 简写，即64位双精度浮点数 |
| np.float16 | 16位半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位 |
| np.float32 | 32位 单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位 |
| np.float64 | 64位双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位 |
| np.complex_ | complex128 简写，即 128 位复数 |
| np.complex64 | 复数，表示双 32 位浮点数（实数部分和虚数部分） |
| np.complex128 | 复数，表示双 64 位浮点数（实数部分和虚数部分） |
以上为个人经验，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/promisejia/article/details/80806984