TensorFlow 1.倍

文件夹特遣部队。1、只需使用以下命令:

a = tf.constant([[1, 2], [3, 4]])                 
b = tf.add(a, 1)
out = tf.multiply(a, b)
out.eval(session=tf.Session())

输出将是:

# array([[ 2,  6],
#       [12, 20]], dtype=int32)

我已经面对并解决了张量->ndarray转换在张量表示(对抗)图像的特定情况下，通过cleverhans库/教程获得。

我认为我的问题/答案(在这里)也可能是一个有用的例子，对其他情况。

我是TensorFlow的新手，我的结论是经验的:

看起来为了成功，tensor.eval()方法可能还需要输入占位符的值。 Tensor可以像一个函数一样工作，需要它的输入值(提供给feed_dict)来返回一个输出值，例如:

array_out = tensor.eval(session=sess, feed_dict={x: x_input})

请注意，在我的例子中，占位符的名称是x，但我认为您应该为输入占位符找出正确的名称。 X_input是一个包含输入数据的标量值或数组。

在我的案例中，提供sess也是强制性的。

我的示例还包括matplotlib图像可视化部分，但这是OT。

也许你可以试试这个方法:

import tensorflow as tf
W1 = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
array = W1.eval(sess)
print (array)

任何由Session.run或eval返回的张量都是NumPy数组。

>>> print(type(tf.Session().run(tf.constant([1,2,3]))))
<class 'numpy.ndarray'>

Or:

>>> sess = tf.InteractiveSession()
>>> print(type(tf.constant([1,2,3]).eval()))
<class 'numpy.ndarray'>

或者,相当于:

>>> sess = tf.Session()
>>> with sess.as_default():
>>>    print(type(tf.constant([1,2,3]).eval()))
<class 'numpy.ndarray'>

EDIT: Session.run或eval()返回的张量不是NumPy数组。例如，稀疏张量返回为SparseTensorValue:

>>> print(type(tf.Session().run(tf.SparseTensor([[0, 0]],[1],[1,2]))))
<class 'tensorflow.python.framework.sparse_tensor.SparseTensorValue'>

你需要:

将图像张量以某种格式(jpeg, png)编码为二进制张量 在一个会话中计算(运行)二进制张量 将二进制文件转换为流文件 馈送PIL图像 (可选)使用matplotlib显示图像

代码:

import tensorflow as tf
import matplotlib.pyplot as plt
import PIL

...

image_tensor = <your decoded image tensor>
jpeg_bin_tensor = tf.image.encode_jpeg(image_tensor)

with tf.Session() as sess:
    # display encoded back to image data
    jpeg_bin = sess.run(jpeg_bin_tensor)
    jpeg_str = StringIO.StringIO(jpeg_bin)
    jpeg_image = PIL.Image.open(jpeg_str)
    plt.imshow(jpeg_image)

这对我很管用。你可以在ippython笔记本上试试。别忘了加上下面这行:

%matplotlib inline

TensorFlow 2.倍

Eager Execution在默认情况下是启用的，所以只需在Tensor对象上调用.numpy()即可。

import tensorflow as tf

a = tf.constant([[1, 2], [3, 4]])                 
b = tf.add(a, 1)

a.numpy()
# array([[1, 2],
#        [3, 4]], dtype=int32)

b.numpy()
# array([[2, 3],
#        [4, 5]], dtype=int32)

tf.multiply(a, b).numpy()
# array([[ 2,  6],
#        [12, 20]], dtype=int32)

更多信息请参见NumPy兼容性。值得注意的是(从文档中)，

Numpy数组可以和Tensor对象共享一个内存。其中一个的任何变化都可能反映在另一个中。

大胆强调我的。可能返回副本，也可能不返回，这是基于数据是在CPU还是GPU中的实现细节(在后一种情况下，必须从GPU复制到主机内存)。

但为什么我得到AttributeError: 'Tensor'对象没有属性'numpy'? 很多人都对这个问题发表了评论，有几个可能的原因:

TF 2.0没有正确安装(在这种情况下，请尝试重新安装)，或者 已经安装了TF 2.0，但是由于某种原因禁用了快速执行。在这种情况下，调用tf. compatat .v1.enable_eager_execution()来启用它，或参见下文。

如果禁用了Eager Execution，你可以构建一个图，然后通过tf. compatat .v1. session运行它:

a = tf.constant([[1, 2], [3, 4]])                 
b = tf.add(a, 1)
out = tf.multiply(a, b)

out.eval(session=tf.compat.v1.Session())    
# array([[ 2,  6],
#        [12, 20]], dtype=int32)

请参见TF 2.0符号映射，了解旧API到新API的映射。