请注意，tf.Print()将改变张量名称。 如果你想要打印的张量是一个占位符，那么向它输入数据将会失败，因为在输入过程中找不到原始的名称。 例如:

import tensorflow as tf
tens = tf.placeholder(tf.float32,[None,2],name="placeholder")
print(eval("tens"))
tens = tf.Print(tens,[tens, tf.shape(tens)],summarize=10,message="tens:")
print(eval("tens"))
res = tens + tens
sess = tf.Session()
sess.run(tf.global_variables_initializer())

print(sess.run(res))

输出是:

python test.py
Tensor("placeholder:0", shape=(?, 2), dtype=float32)
Tensor("Print:0", shape=(?, 2), dtype=float32)
Traceback (most recent call last):
[...]
InvalidArgumentError (see above for traceback): You must feed a value for placeholder tensor 'placeholder' with dtype float

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。

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()

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

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))

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)