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
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)
其他回答
在Tensorflow 2.0+(或Eager模式环境)中，你可以调用.numpy()方法:
import tensorflow as tf
matrix1 = tf.constant([[3., 3.0]])
matrix2 = tf.constant([[2.0],[2.0]])
product = tf.matmul(matrix1, matrix2)
print(product.numpy())
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。
虽然其他答案是正确的，即在对图求值之前不能打印值，但它们并没有谈到一种简单的方法，即一旦对图求值，就可以在图中实际打印值。
当图被求值(使用run或eval)时，查看张量值的最简单方法是使用Print操作，如下例所示:
# Initialize session
import tensorflow as tf
sess = tf.InteractiveSession()
# Some tensor we want to print the value of
a = tf.constant([1.0, 3.0])
# Add print operation
a = tf.Print(a, [a], message="This is a: ")
# Add more elements of the graph using a
b = tf.add(a, a)
现在，当我们计算整个图时，例如使用b.c eval()，我们得到:
I tensorflow/core/kernels/logging_ops.cc:79] This is a: [1 3]
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))
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.]]
