วิธีการแปลงเมตริกซ์เป็นอาร์เรย์ numpy เมื่อใช้ Tensorflow ด้วยการผูก Python?

เมตริกซ์ใด ๆ ที่ส่งคืนโดยSession.runหรือevalเป็นอาร์เรย์ NumPy

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

หรือ:

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

หรือเทียบเท่า:

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

แก้ไข:ไม่มีเมตริกซ์ใด ๆ ที่ส่งคืนโดยSession.runหรือeval()เป็นอาร์เรย์ NumPy ตัวอย่าง Sparse Tensors ถูกส่งคืนเป็น SparseTensorValue:

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

ในการแปลงกลับจากเทนเซอร์เป็นจำนวนมากคุณสามารถเรียกใช้.eval()บนเมตริกซ์ที่แปลงแล้ว

TensorFlow 2.x

Eager Executionเปิดใช้งานโดยค่าเริ่มต้นดังนั้นเพียงแค่เรียกใช้.numpy()บนวัตถุ 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)

มันเป็นที่น่าสังเกต (จากเอกสาร)

อาร์เรย์ Numpy อาจใช้หน่วยความจำร่วมกับวัตถุ Tensor การเปลี่ยนแปลงใด ๆ ที่เกิดขึ้นกับสิ่งใดสิ่งหนึ่งอาจส่งผลต่ออีกสิ่งหนึ่ง

เหมืองเน้นหนัก สำเนาอาจจะหรือไม่อาจถูกส่งคืนและนี่คือรายละเอียดการใช้งาน

หาก Eager Execution ถูกปิดใช้งานคุณสามารถสร้างกราฟและเรียกใช้ผ่านtf.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)

ดูแผนที่สัญลักษณ์ TF 2.0สำหรับการแมปของ API เก่ากับอันใหม่

คุณต้อง:

1. เข้ารหัสภาพเทนเซอร์ในบางรูปแบบ (jpeg, png) ไปยังไบเทนเซอร์
2. ประเมิน (เรียกใช้) ตัวนับไบนารีในเซสชัน
3. เปิดไบนารีเพื่อสตรีม
4. ฟีดไปที่รูปภาพ PIL
5. (เป็นทางเลือก) แสดงภาพที่มี matplotlib

รหัส:

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)

สิ่งนี้ใช้ได้สำหรับฉัน คุณสามารถลองได้ในโน้ตบุ๊ก ipython อย่าลืมเพิ่มบรรทัดต่อไปนี้:

%matplotlib inline

บางทีคุณสามารถลอง， วิธีนี้:

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)

ฉันได้เผชิญหน้าและแก้ไขการแปลงเมตริกซ์ -> ndarrayในกรณีเฉพาะของภาพเทนเซอร์ที่เป็นตัวแทนของ (ภาพที่ไม่เห็นด้วย) ที่ได้มากับเคลฟเวอร์แฮนห้องสมุด / บทช่วยสอนที่

ฉันคิดว่าคำถาม / คำตอบของฉัน ( ที่นี่ ) อาจเป็นตัวอย่างที่เป็นประโยชน์สำหรับกรณีอื่น ๆ

ฉันใหม่กับ TensorFlow ของฉันเป็นข้อสรุปเชิงประจักษ์:

มันดูเหมือนว่า tensor.eval () วิธีการอาจจะต้องเพื่อที่จะประสบความสำเร็จนอกจากนี้ยังมีค่าสำหรับการป้อนข้อมูลตัวยึด เทนเซอร์อาจทำงานเหมือนฟังก์ชั่นที่ต้องการค่าอินพุต (จัดเตรียมไว้feed_dict) เพื่อส่งคืนค่าเอาต์พุตเช่น

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

โปรดทราบว่าชื่อตัวยึดเป็นxในกรณีของฉัน แต่ฉันคิดว่าคุณควรจะหาชื่อที่เหมาะสมสำหรับการป้อนข้อมูลตัวยึด x_inputเป็นค่าสเกลาร์หรืออาร์เรย์ที่มีข้อมูลอินพุต

ในกรณีของฉันยังให้sessเป็นสิ่งจำเป็น

ตัวอย่างของฉันยังครอบคลุมถึงส่วนการสร้างภาพข้อมูลmatplotlibแต่นี่คือ OT

ตัวอย่างง่ายๆก็คือ

    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.

ตอนนี้ถ้าเราต้องการให้เมตริกซ์ a นี้ถูกแปลงเป็นอาร์เรย์ที่มีค่า

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

ง่ายเหมือนที่!

ฉันค้นหาวันสำหรับคำสั่งนี้

สิ่งนี้ใช้ได้สำหรับฉันนอกเซสชันหรืออะไรทำนองนี้

# 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

คุณสามารถใช้ฟังก์ชันแบ็กเอนด์ keras

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

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

print(type(array))

<class 'numpy.ndarray'>

ฉันหวังว่ามันจะช่วย!