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）

通过启用即时执行，你可以检查TensorObject的输出，而不用在会话中运行图。

只需添加以下两行代码: 导入tensorflow.contrib.eager为tfe tfe.enable_eager_execution ()

在你导入tensorflow之后。

在你的例子中打印产品的输出现在将是: 特遣部队。张量([[12。[]，形状=(1,1)，dtype=float32)

请注意，从现在(2017年11月)开始，你必须每晚安装一个Tensorflow构建来实现快速执行。预建车轮可以在这里找到。

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。

我不确定我是否遗漏了这里，但我认为最简单和最好的方法是使用tf.keras.backend。get_value API。

print(product)
>>tf.Tensor([[12.]], shape=(1, 1), dtype=float32)
print(tf.keras.backend.get_value(product))
>>[[12.]]

使用https://www.tensorflow.org/api_docs/python/tf/print中提供的提示，我使用log_d函数打印格式化的字符串。

import tensorflow as tf

def log_d(fmt, *args):
    op = tf.py_func(func=lambda fmt_, *args_: print(fmt%(*args_,)),
                    inp=[fmt]+[*args], Tout=[])
    return tf.control_dependencies([op])


# actual code starts now...

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

with log_d('MAT1: %s, MAT2: %s', matrix1, matrix2): # this will print the log line
    product = tf.matmul(matrix1, matrix2)

with tf.Session() as sess:
    sess.run(product)

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()