在Tensorflow V2中，使用:tf.keras.backend打印张量的值。print_tensor (x,消息= ")

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）

你应该认为TensorFlow核心程序由两个独立的部分组成:

构建计算图。 运行计算图。

因此，对于下面的代码，您只需构建计算图。

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

为了初始化TensorFlow程序中的所有变量，你必须显式调用一个特殊操作，如下所示:

init = tf.global_variables_initializer()

现在您构建了图并初始化了所有变量，下一步是计算节点，您必须在会话中运行计算图。会话封装了TensorFlow运行时的控件和状态。

下面的代码创建一个Session对象，然后调用它的run方法来运行足够的计算图来计算product:

sess = tf.Session()
// run variables initializer
sess.run(init)

print(sess.run([product]))

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()

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))

特遣部队。Print现在已弃用，下面是如何使用tf。而是打印(小写p)。

虽然运行会话是一个很好的选择，但它并不总是正确的方法。例如，你可能想在一个特定的会话中打印一些张量。

新的print方法返回一个没有输出张量的打印操作:

print_op = tf.print(tensor_to_print)

由于它没有输出，所以不能像使用tf.Print那样将它插入图中。相反，您可以将它添加到会话中的控制依赖项中，以便打印它。

sess = tf.compat.v1.Session()
with sess.as_default():
  tensor_to_print = tf.range(10)
  print_op = tf.print(tensor_to_print)
with tf.control_dependencies([print_op]):
  tripled_tensor = tensor_to_print * 3
sess.run(tripled_tensor)

有时，在较大的图(可能部分是在子函数中创建的)中，将print_op传播到会话调用是很麻烦的。然后,特遣部队。Tuple可用于将打印操作与另一个操作耦合，然后无论哪个会话执行该代码，该操作都将与该操作一起运行。以下是如何做到的:

print_op = tf.print(tensor_to_print)
some_tensor_list = tf.tuple([some_tensor], control_inputs=[print_op])
# Use some_tensor_list[0] instead of any_tensor below.