我已经面对并解决了张量->ndarray转换在张量表示(对抗)图像的特定情况下，通过cleverhans库/教程获得。

我认为我的问题/答案(在这里)也可能是一个有用的例子，对其他情况。

我是TensorFlow的新手，我的结论是经验的:

看起来为了成功，tensor.eval()方法可能还需要输入占位符的值。 Tensor可以像一个函数一样工作，需要它的输入值(提供给feed_dict)来返回一个输出值，例如:

array_out = tensor.eval(session=sess, feed_dict={x: x_input})

请注意，在我的例子中，占位符的名称是x，但我认为您应该为输入占位符找出正确的名称。 X_input是一个包含输入数据的标量值或数组。

在我的案例中，提供sess也是强制性的。

我的示例还包括matplotlib图像可视化部分，但这是OT。

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)。

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'>

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。

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!

如果你看到有一个方法_numpy()， 例如，对于一个EagerTensor，简单地调用上面的方法，你将得到一个ndarray。