在 Tensorflow 中将张量转换为 numpy 数组？

Question

在使用带有 Python 绑定的 Tensorflow 时如何将张量转换为 numpy 数组？

Answer 1

要将张量转换回 numpy 数组，您只需在转换后的张量上运行 .eval()。

Answer 2

你需要：

1. 将图像张量以某种格式（jpeg、png）编码为二进制张量
2. 在会话中评估（运行）二进制张量
3. 将二进制文件转成流
4. 馈送到 PIL 图像
5. （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)

这对我有用。您可以在 ipython 笔记本中尝试。只是不要忘记添加以下行：

%matplotlib inline

Answer 3

Session.run 或 eval 返回的任何张量都是 NumPy 数组。

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

或者：

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

或者，等效地：

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

编辑：不是任何由Session.run 或eval() 返回的张量是一个NumPy 数组。例如，稀疏张量作为 SparseTensorValue 返回：

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

Answer 4

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)

Answer 5

我已经面对并解决了 tensor->ndarray 转换在张量表示（对抗性）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 (here) 对于其他情况也可能是一个有用的示例。

我是 TensorFlow 新手，我的结论是经验性的：

似乎 tensor.eval() 方法可能需要输入 placeholders 的值才能成功。 张量可能像函数一样工作，需要其输入值（提供给feed_dict）才能返回输出值，例如

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

请注意，在我的例子中，占位符名称是 x，但我想您应该找出输入 placeholder 的正确名称。 x_input 是一个标量值或包含输入数据的数组。

就我而言，还必须提供sess。

我的示例还涵盖了 matplotlib 图像可视化部分，但这是 OT。

Answer 6

一个简单的例子可以是，

    import tensorflow as tf
    import numpy as np
    a=tf.random_normal([2,3],0.0,1.0,dtype=tf.float32)  #sampling from a std normal
    print(type(a))
    #<class 'tensorflow.python.framework.ops.Tensor'>
    tf.InteractiveSession()  # run an interactive session in Tf.

n 现在如果我们想要这个张量 a 被转换成一个 numpy 数组

    a_np=a.eval()
    print(type(a_np))
    #<class 'numpy.ndarray'>

就这么简单！

Answer 7

TensorFlow 2.x

Eager Execution 默认启用，因此只需在 Tensor 对象上调用 .numpy()。

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)

请参阅NumPy Compatibility 了解更多信息。值得注意的是（来自文档），

Numpy 数组可以与 Tensor 对象共享内存。 对其中一项的任何更改都可能反映在另一项中。

我的大胆强调。可能会或可能不会返回副本，这是基于数据是在 CPU 中还是在 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）。

但为什么我会收到AttributeError: 'Tensor' object has no attribute 'numpy'？。
很多人对这个问题发表了评论，有几个可能的原因：

• TF 2.0 未正确安装（在这种情况下，请尝试重新安装），或者
• TF 2.0 已安装，但由于某种原因禁用了急切执行。在这种情况下，请致电tf.compat.v1.enable_eager_execution() 启用它，或参见下文。

---

如果 Eager Execution 被禁用，您可以构建一个图表，然后通过tf.compat.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)

另请参阅TF 2.0 Symbols Map，了解旧 API 到新 API 的映射。

Answer 8

我一直在寻找这个命令的日子。

这对我来说在任何会话或类似的事情之外都有效。

# you get an array = your tensor.eval(session=tf.compat.v1.Session())
an_array = a_tensor.eval(session=tf.compat.v1.Session())

https://kite.com/python/answers/how-to-convert-a-tensorflow-tensor-to-a-numpy-array-in-python

Answer 9

你可以使用keras后端功能。

import tensorflow as tf
from tensorflow.python.keras import backend 

sess = backend.get_session()
array = sess.run(< Tensor >)

print(type(array))

<class 'numpy.ndarray'>

希望对你有帮助！

Answer 10

如果你看到有一个方法_numpy()， 例如，对于 EagerTensor，只需调用上述方法，您就会得到一个 ndarray。

Answer 11

您可以通过以下方式将tensorflow 中的张量转换为numpy 数组。

第一： 使用np.array(your_tensor)

第二： 使用your_tensor.numpy

Answer 12

关于 TensorFlow 2.x

以下通常有效，因为默认情况下激活了急切执行：

import tensorflow as tf

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

print(a.numpy())
# [[1 2]
#  [3 4]]

但是，由于很多人似乎都在发布错误：

AttributeError: 'Tensor' object has no attribute 'numpy'

我认为公平地说，在图形模式下调用 tensor.numpy() 将不起作用。这是一个简单的例子：

import tensorflow as tf

@tf.function
def add():
  a = tf.constant([[1, 2], [3, 4]])                 
  b = tf.add(a, 1)
  tf.print(a.numpy()) # throws an error!
  return a
add()

简单的解释可以找here:

从根本上说，不能将图张量转换为 numpy 数组，因为该图不在 Python 中执行 - 因此在图执行时没有 NumPy。 [...]

TFdocs也值得一看。

关于使用 Tensorflow 2.x 的 Keras 模型

这也适用于Keras 模型，默认情况下它们被包裹在tf.function 中。如果确实需要运行tensor.numpy()，可以在model.compile(*)中设置参数run_eagerly=True，但这会影响模型的性能。