我一直在使用TensorFlow中矩阵乘法的介绍性示例。
matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[2.],[2.]])
product = tf.matmul(matrix1, matrix2)
当我打印乘积时，它显示为一个张量对象:
<tensorflow.python.framework.ops.Tensor object at 0x10470fcd0>
但是我怎么知道产品的价值呢?
下面的方法不起作用:
print product
Tensor("MatMul:0", shape=TensorShape([Dimension(1), Dimension(1)]), dtype=float32)
我知道图在会话上运行，但是没有任何方法可以检查张量对象的输出而不在会话中运行图吗?
当前回答
你可以使用Keras，一行回答将使用eval方法，如下所示:
import keras.backend as K
print(K.eval(your_tensor))
其他回答
试试这个简单的代码!(不言自明)
import tensorflow as tf
sess = tf.InteractiveSession() # see the answers above :)
x = [[1.,2.,1.],[1.,1.,1.]] # a 2D matrix as input to softmax
y = tf.nn.softmax(x) # this is the softmax function
# you can have anything you like here
u = y.eval()
print(u)
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()
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）
在Tensorflow V2中，使用:tf.keras.backend打印张量的值。print_tensor (x,消息= ")
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]]
