Как преобразовать тензор в массив numpy при использовании Tensorflow с привязками Python?
Как преобразовать тензор в массив numpy в TensorFlow?
Ответ 1
Любой тензор, возвращаемый Session.run
или eval
является массивом NumPy.
>>> print(type(tf.Session().run(tf.constant([1,2,3]))))
<class 'numpy.ndarray'>
Или же:
>>> sess = tf.InteractiveSession()
>>> print(type(tf.constant([1,2,3]).eval()))
<class 'numpy.ndarray'>
Или, что эквивалентно:
>>> sess = tf.Session()
>>> with sess.as_default():
>>> print(type(tf.constant([1,2,3]).eval()))
<class 'numpy.ndarray'>
РЕДАКТИРОВАТЬ: не любой тензор, возвращенный Session.run
или eval()
является массивом NumPy. Например, Sparse Tensors возвращаются как SparseTensorValue:
>>> print(type(tf.Session().run(tf.SparseTensor([[0, 0]],[1],[1,2]))))
<class 'tensorflow.python.framework.sparse_tensor.SparseTensorValue'>
Ответ 2
Чтобы преобразовать обратно из тензора в массив numpy, вы можете просто запустить .eval()
на преобразованный тензор.
Ответ 3
TensorFlow 2.0
Стремительное выполнение включено по умолчанию, поэтому просто вызовите .numpy()
для объекта 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)
Стоит отметить (из документов),
Массив Numpy может совместно использовать память с объектом Tensor. Любые изменения в одном могут быть отражены в другом.
Жирный акцент мой. Копия может или не может быть возвращена, и это деталь реализации.
Если Eager Execution отключено, вы можете построить график и затем запустить его через 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)
См. также Карта символов TF 2.0 для сопоставления старого API с новым.
Ответ 4
Вам необходимо:
- закодировать тензор изображения в некотором формате (jpeg, png) до двоичного тензора
- оценить (запустить) бинарный тензор в сеансе
- превратить двоичный файл в поток
- подать на изображение PIL
- (необязательно) отображает изображение с помощью 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)
Это сработало для меня. Вы можете попробовать его в ноутбуке ipython. Не забудьте добавить следующую строку:
%matplotlib inline
Ответ 5
Возможно, вы можете попробовать, этот 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)
Ответ 6
Я столкнулся и решил преобразование tensor-> ndarray в конкретном случае тензоров, представляющих (состязательные) изображения, полученные с помощью библиотеки/учебных пособий cleverhans.
Я думаю, что мой вопрос/ответ (здесь) может быть полезным примером и для других случаев.
Я новичок в TensorFlow, мой эмпирический вывод:
Похоже, что для метода tenor.eval() может потребоваться также значение для входных заполнителей. Тензор может работать как функция, которой нужны входные значения (предоставленные в feed_dict
) для возврата выходного значения, например
array_out = tensor.eval(session=sess, feed_dict={x: x_input})
Обратите внимание, что имя заполнителя в моем случае - x, но я полагаю, вы должны найти правильное имя для входного заполнителя. x_input
- это скалярное значение или массив, содержащий входные данные.
В моем случае также предоставление sess
было обязательным.
Мой пример также охватывает часть визуализации изображений matplotlib, но это OT.
Ответ 7
Простой пример может быть,
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.
п теперь, если мы хотим, чтобы этот тензор был преобразован в массив NumPy
a_np=a.eval()
print(type(a_np))
#<class 'numpy.ndarray'>
Так просто!