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'>

为了这个命令，我找了好几天。

这对我来说在任何会议之外或类似的事情都很有效。

# you get an array = your tensor.eval(session=tf.compat.v1.Session())
an_array = a_tensor.eval(session=tf.compat.v1.Session())

https://kite.com/python/answers/how-to-convert-a-tensorflow-tensor-to-a-numpy-array-in-python

也许你可以试试这个方法:

import tensorflow as tf
W1 = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
array = W1.eval(sess)
print (array)

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。

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)。

TensorFlow 2.倍

Eager Execution在默认情况下是启用的，所以只需在Tensor对象上调用.numpy()即可。

import tensorflow as tf

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

a.numpy()
# array([[1, 2],
#        [3, 4]], dtype=int32)

b.numpy()
# array([[2, 3],
#        [4, 5]], dtype=int32)

tf.multiply(a, b).numpy()
# array([[ 2,  6],
#        [12, 20]], dtype=int32)

更多信息请参见NumPy兼容性。值得注意的是(从文档中)，

Numpy数组可以和Tensor对象共享一个内存。其中一个的任何变化都可能反映在另一个中。

大胆强调我的。可能返回副本，也可能不返回，这是基于数据是在CPU还是GPU中的实现细节(在后一种情况下，必须从GPU复制到主机内存)。

但为什么我得到AttributeError: 'Tensor'对象没有属性'numpy'? 很多人都对这个问题发表了评论，有几个可能的原因:

TF 2.0没有正确安装(在这种情况下，请尝试重新安装)，或者 已经安装了TF 2.0，但是由于某种原因禁用了快速执行。在这种情况下，调用tf. compatat .v1.enable_eager_execution()来启用它，或参见下文。

如果禁用了Eager Execution，你可以构建一个图，然后通过tf. compatat .v1. session运行它:

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

out.eval(session=tf.compat.v1.Session())    
# array([[ 2,  6],
#        [12, 20]], dtype=int32)

请参见TF 2.0符号映射，了解旧API到新API的映射。