要将张量转换回numpy数组，只需在转换后的张量上运行.eval()。

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!

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)

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。

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。