启用热切执行，这是在1.10版之后tensorflow中引入的。 它很容易使用。

# Initialize session
import tensorflow as tf
tf.enable_eager_execution()


# Some tensor we want to print the value of
a = tf.constant([1.0, 3.0])

print(a)

我发现即使在阅读了所有的答案之后，我也不容易理解需要什么，直到我执行了这个。TensofFlow对我来说也是新的。

def printtest():
x = tf.constant([1.0, 3.0])
x = tf.Print(x,[x],message="Test")
init = (tf.global_variables_initializer(), tf.local_variables_initializer())
b = tf.add(x, x)
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(b))
    sess.close()

但是您仍然可能需要执行会话返回的值。

def printtest():
    x = tf.constant([100.0])
    x = tf.Print(x,[x],message="Test")
    init = (tf.global_variables_initializer(), tf.local_variables_initializer())
    b = tf.add(x, x)
    with tf.Session() as sess:
        sess.run(init)
        c = sess.run(b)
        print(c)
        sess.close()

求一个Tensor对象的实际值最简单的方法是将它传递给session .run()方法，或者当你有一个默认会话(即在with tf.Session():块中，或见下文)时调用Tensor.eval()。一般来说[B]，如果不在会话中运行一些代码，就不能打印张量的值。

如果你正在试验编程模型，想要一种简单的方法来求张量，tf。InteractiveSession允许你在程序开始时打开一个会话，然后将该会话用于所有的Tensor.eval()(和Operation.run())调用。这在交互设置中(比如shell或IPython笔记本)更容易，因为到处传递Session对象很乏味。例如，以下工作在Jupyter笔记本:

with tf.Session() as sess:  print(product.eval()) 

对于如此小的表达式来说，这可能看起来很愚蠢，但这是Tensorflow 1中的关键思想之一。x是延迟执行:构建一个大而复杂的表达式非常便宜，当你想计算它时，后端(你连接到一个会话)能够更有效地调度它的执行(例如并行执行独立的部分并使用gpu)。

[A]:要打印一个张量的值而不返回到你的Python程序，你可以使用tf.print()操作符，正如Andrzej在另一个答案中建议的那样。根据官方文件:

为了确保操作符运行，用户需要将生成的op传递给tf. compat_1 . session的run方法，或者通过指定tf. compat_1 .control_dependencies([print_op])将op作为已执行操作的控制依赖项，输出到标准输出。

还要注意:

在Jupyter笔记本和colabs中，tf。打印打印到笔记本单元格输出。它不会写入笔记本内核的控制台日志。

[B]:你可以使用tf.get_static_value()函数来获得给定张量的常数值，如果它的值是可以有效计算的。

重申其他人所说的，不运行图表是不可能检查值的。

下面是一个简单的代码片段，供寻找打印值的简单示例的人使用。代码可以在ipython notebook中执行，无需任何修改

import tensorflow as tf

#define a variable to hold normal random values 
normal_rv = tf.Variable( tf.truncated_normal([2,3],stddev = 0.1))

#initialize the variable
init_op = tf.initialize_all_variables()

#run the graph
with tf.Session() as sess:
    sess.run(init_op) #execute init_op
    #print the random values that we sample
    print (sess.run(normal_rv))

输出:

[[-0.16702934  0.07173464 -0.04512421]
 [-0.02265321  0.06509651 -0.01419079]]

基本上，在tensorflow中，当你创建任何类型的张量时，它们都会被创建并存储在里面，只有当你运行tensorflow会话时才能访问。假设你已经创建了一个常数张量 c = tf.constant ([(1.0, 2.0, 3.0), (4.0, 5.0, 6.0))) 不运行会话，您可以得到 —op:操作。计算这个张量的运算。 —value_index: int类型。生成这个张量的操作端点的索引。 —dtype: dtype类型。存储在这个张量中的元素类型。

为了得到这些值，你可以用你需要的张量运行一个会话:

with tf.Session() as sess:
    print(sess.run(c))
    sess.close()

输出将是这样的:

array（[[1st， 2nd， 3rd]， [4th， 5th， 6th]]， dtype=float32）

import tensorflow as tf
sess = tf.InteractiveSession()
x = [[1.,2.,1.],[1.,1.,1.]]    
y = tf.nn.softmax(x)           

matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[2.],[2.]])
product = tf.matmul(matrix1, matrix2)

print(product.eval())
tf.reset_default_graph()
sess.close()