Як перетворити тензор у масив numpy при використанні Tensorflow з прив’язками Python?

Будь-який тензор, що повертається Session.runабо evalє масивом NumPy.

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

Або:

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

Або, рівнозначно:

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

EDIT: Чи не будь- тензор повертається Session.runабо eval()є масивом NumPy. Скажені тензори, наприклад, повертаються як SparseTensorValue:

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

Для перетворення назад з тензора в numpy масив ви можете просто запустити .eval()перетворений тензор.

TensorFlow 2.x

Швидке виконання увімкнено за замовчуванням, тому просто зателефонуйте .numpy()на об'єкт Tensor.

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)

Варто зазначити (з док.),

Numpy масив може обмінюватися пам'яттю з об'єктом Tensor. Будь-які зміни в одній можуть бути відображені в іншій.

Сміливий акцент мій. Копія може бути повернута або не може бути, і це детальна інформація про реалізацію.

Якщо Eager Execution вимкнено, ви можете скласти графік, а потім запустити його tf.compat.v1.Session:

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)

Див. Також Карта символів TF 2.0 для відображення старого API на новий.

Тобі потрібно:

1. кодуйте тензор зображення в якомусь форматі (jpeg, png) до двійкового тензора
2. оцінити (запустити) двійковий тензор у сеансі
3. перетворити двійковий на потоковий
4. подати на зображення PIL
5. (необов'язково) відображення зображення за допомогою matplotlib

Код:

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)

Це працювало для мене. Ви можете спробувати його в зошиті ipython. Просто не забудьте додати наступний рядок:

%matplotlib inline

Можливо, ви можете спробувати цей метод:

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)

Я зіткнувся і вирішив перетворення тензора-> ndarray у конкретному випадку тензорів, що представляють (змагальні) зображення, отримані за допомогою бібліотеки / навчальних посібників розумних людей .

Я думаю, що моє запитання / відповідь ( тут ) може бути корисним прикладом і для інших випадків.

Я новачок у TensorFlow, мій емпіричний висновок:

Здається, що для досягнення успіху методу tensor.eval () може знадобитися також значення для заповнювачів . Тензор може працювати як функція, яка потребує вхідних значень (надається в feed_dict), щоб повернути вихідне значення, наприклад

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

Зверніть увагу, що в моєму випадку ім'я заповнення місця є x , але я вважаю, що ви повинні знайти правильне ім'я для заповнення вводу . x_input- скалярне значення або масив, що містить вхідні дані.

У моєму випадку надання sessбуло обов'язковим.

Мій приклад також охоплює частину візуалізації зображення matplotlib , але це ОТ.

Простим прикладом може бути,

    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 тепер, якщо ми хочемо, щоб цей тензор a був перетворений в масивний масив

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

Так просто!

Я цілими днями шукав цю команду.

Це працювало для мене поза будь-яким сеансом чи подібним подібним.

# 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

Ви можете скористатися функцією резервного керасу.

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

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

print(type(array))

<class 'numpy.ndarray'>

Я сподіваюся, що це допомагає!