任何由Session.run或eval返回的张量都是NumPy数组。

>>> print(type(tf.Session().run(tf.constant([1,2,3]))))
<class 'numpy.ndarray'>

Or:

>>> sess = tf.InteractiveSession()
>>> print(type(tf.constant([1,2,3]).eval()))
<class 'numpy.ndarray'>

或者,相当于:

>>> sess = tf.Session()
>>> with sess.as_default():
>>>    print(type(tf.constant([1,2,3]).eval()))
<class 'numpy.ndarray'>

EDIT: Session.run或eval()返回的张量不是NumPy数组。例如，稀疏张量返回为SparseTensorValue:

>>> print(type(tf.Session().run(tf.SparseTensor([[0, 0]],[1],[1,2]))))
<class 'tensorflow.python.framework.sparse_tensor.SparseTensorValue'>

您可以使用keras后端函数。

import tensorflow as tf
from tensorflow.python.keras import backend 

sess = backend.get_session()
array = sess.run(< Tensor >)

print(type(array))

<class 'numpy.ndarray'>

我希望这能有所帮助!

一个简单的例子是，

    import tensorflow as tf
    import numpy as np
    a=tf.random_normal([2,3],0.0,1.0,dtype=tf.float32)  #sampling from a std normal
    print(type(a))
    #<class 'tensorflow.python.framework.ops.Tensor'>
    tf.InteractiveSession()  # run an interactive session in Tf.

n 现在如果我们想把这个张量a转换成一个numpy数组

    a_np=a.eval()
    print(type(a_np))
    #<class 'numpy.ndarray'>

就这么简单!

我成功地把TensorGPU变成了np。数组使用以下 :

np.array(tensor_gpu.as_cpu())

(直接使用TensorGPU只会导致包含TensorGPU的单元素数组)。

你可以用以下方法将tensorflow中的张量转换为numpy数组。

第一: 使用np.array (your_tensor)

第二: 使用your_tensor.numpy

关于Tensorflow 2.x

以下通常工作，因为默认情况下立即执行是激活的:

import tensorflow as tf

a = tf.constant([[1, 2], [3, 4]])                 
b = tf.add(a, 1)

print(a.numpy())
# [[1 2]
#  [3 4]]

然而，由于很多人似乎都在发布错误:

AttributeError: 'Tensor' object has no attribute 'numpy'

我认为在图形模式下调用tensor.numpy()是行不通的。这就是为什么你会看到这个错误。这里有一个简单的例子:

import tensorflow as tf

@tf.function
def add():
  a = tf.constant([[1, 2], [3, 4]])                 
  b = tf.add(a, 1)
  tf.print(a.numpy()) # throws an error!
  return a
add()

这里可以找到一个简单的解释:

从根本上讲，不能将图张量转换为numpy数组，因为图不在Python中执行——因此在图执行时没有numpy。[…]

TF文档也值得一看。

关于使用Tensorflow 2.x的Keras模型

这也适用于Keras模型，它被封装在tf中。默认为。如果你真的需要运行tensor.numpy()，你可以在model.compile(*)中设置参数run_eager =True，但这将影响模型的性能。