不，你不能在不运行图(执行session.run())的情况下看到张量的内容。你能看到的只有:

张量的维数(但我假设对TF的操作列表计算它并不难) 用于生成张量(transpose_1:0, random_uniform:0)的操作类型。 张量中元素的类型(float32)

我没有在文档中找到这一点，但我相信变量的值(和一些常数在赋值时没有计算)。

看看这个例子:

import tensorflow as tf
from datetime import datetime
dim = 7000

第一个例子中，我刚刚启动了一个常数的随机数张量运行的时间几乎是相同的不管dim (0:00:00.003261)

startTime = datetime.now()
m1 = tf.truncated_normal([dim, dim], mean=0.0, stddev=0.02, dtype=tf.float32, seed=1)
print datetime.now() - startTime

在第二种情况中，实际计算了常数并分配了值，时间显然取决于dim (0:00:01.244642)

startTime = datetime.now()
m1 = tf.truncated_normal([dim, dim], mean=0.0, stddev=0.02, dtype=tf.float32, seed=1)
sess = tf.Session()
sess.run(m1)
print datetime.now() - startTime

你可以通过计算一些东西来让它更清楚(d = tf. matrix_行列式(m1)，记住时间将以O(dim^2.8)为单位运行)

附注:我在文档中找到了解释:

张量对象是运算结果的符号句柄， 但是实际上并不保存操作输出的值。

我认为你需要掌握一些基本知识。通过上面的例子，你已经创建了张量(多维数组)。但是要让张量流真正工作，你必须启动一个“会话”，并在会话中运行你的“操作”。注意单词“session”和“operation”。 要使用张量流，你需要知道4件事:

张量 操作 会话 图

现在，从你写出来的东西中，你已经给出了张量和操作，但你没有运行会话，也没有图。张量(图的边)在图中流动，并由操作(图的节点)操作。有默认的图形，但你可以在会话中初始化你的。

当你说打印时，你只访问你定义的变量或常数的形状。

所以你可以看到你错过了什么:

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

希望能有所帮助!

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。

基于上面的答案，使用特定的代码片段，您可以像这样打印产品:

import tensorflow as tf
#Initialize the session
sess = tf.InteractiveSession()

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

#print the product
print(product.eval())

#close the session to release resources
sess.close()

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]]

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))