如何在TensorFlow中打印Tensor对象的值？
我一直使用TensorFlow中的matrix乘法的例子。
matrix1 = tf.constant([[3., 3.]]) matrix2 = tf.constant([[2.],[2.]]) product = tf.matmul(matrix1, matrix2) 而当我打印产品时，它显示为一个TensorObject（显然）。
产品
<tensorflow.python.framework.ops.Tensor object at 0x10470fcd0>
但是，我怎么知道product的价值呢？
以下不起作用：
print product Tensor("MatMul:0", shape=TensorShape([Dimension(1), Dimension(1)]), dtype=float32)
我知道图表在Sessions运行，但没有任何方法可以检查TensorObject的输出，而无需在session运行graphics？
评估Tensor对象实际值的最简单方法是将它传递给Session.run()方法，或者当你有一个默认会话时（例如在一个with tf.Session():块，或见下文）。 一般来说，**不能在会话中运行某些代码的情况下打印张量的值。
如果您正在尝试使用编程模型，并且想要简单的方法来评估张量，则tf.InteractiveSession可以让您在程序开始时打开一个会话，然后使用该会话处理所有Tensor.eval() （和Operation.run() ）调用。 在一个交互式设置（如shell或IPython笔记本）中，当在每个地方遍历一个Session对象都很繁琐时，这可能会更容易。
对于这样一个小expression式来说，这似乎很愚蠢，但是Tensorflow中的一个关键思想是推迟执行 ：构build一个庞大而复杂的expression式是非常便宜的，当你想评估它时，后端（你连接到与Session ）能够更有效地安排其执行（例如并行执行独立部分并使用GPU）。
*要打印张量的值而不将它返回给Python程序，可以使用tf.Print()运算符，正如Andrzej在另一个答案中所build议的那样 。 请注意，您仍然需要运行部分图表来查看此op的输出，该输出将打印到标准输出。 如果您运行的是分布式TensorFlow，则tf.Print()会将其输出打印到运行该任务的标准输出。
**您可能可以使用tf.contrib.util.constant_value()函数来获取恒定张量的值，但不能用于一般用途，对于许多运算符也没有定义。
虽然其他答案是正确的，你不能打印价值观，直到你评估图表，他们不谈论一个简单的方法，实际上打印一个值在图表，一旦你评估它。
在评估graphics（使用run或eval ）时查看张量值的最简单方法是使用“ Print操作，如下例所示：
# Initialize session import tensorflow as tf sess = tf.InteractiveSession() # Some tensor we want to print the value of a = tf.constant([1.0, 3.0]) # Add print operation a = tf.Print(a, [a], message="This is a: ") # Add more elements of the graph using a b = tf.add(a, a).eval()
现在，每当我们评估整个图，例如使用b.eval() ，我们得到：
I tensorflow/core/kernels/logging_ops.cc:79] This is a: [1 3]
不，你不能看到张量的内容而不运行图（做session.run() ）。 唯一可以看到的是：
- 张量的维度（但是我认为TF 的操作列表并不难计算）
- 将用于生成张量的操作types（
transpose_1:0，random_uniform:0） - 张量中元素的types（
float32）
我没有在文档中find这个，但我相信variables的值（和一些常量不是在赋值时计算的）。
看看这个例子：
import tensorflow as tf from datetime import datetime dim = 7000
第一个例子，我只是启动一个随机数的恒定张量运行大约相同的时间0:00:00.003261的暗淡（ 0:00:00.003261 ）
startTime = datetime.now() m1 = tf.truncated_normal([dim, dim], mean=0.0, stddev=0.02, dtype=tf.float32, seed=1) print datetime.now() - startTime
在第二种情况下，实际获得常量的值并赋值，时间显然取决于dim（ 0:00:01.244642 ）
startTime = datetime.now() m1 = tf.truncated_normal([dim, dim], mean=0.0, stddev=0.02, dtype=tf.float32, seed=1) sess = tf.Session() sess.run(m1) print datetime.now() - startTime
你可以通过计算一些东西来更清楚（ d = tf.matrix_determinant(m1) ，记住时间以O(dim^2.8) ）运行）
PS我发现是在文档中解释：
张量对象是操作结果的象征性句柄，但实际上并不包含操作输出的值。
重申别人说的话，不可能在没有运行图的情况下检查值。
任何寻找打印值的简单示例的简单代码如下所示。 代码可以在ipython笔记本中不做任何修改的情况下执行
import tensorflow as tf #define a variable to hold normal random values normal_rv = tf.Variable( tf.truncated_normal([2,3],stddev = 0.1)) #initialize the variable init_op = tf.initialize_all_variables() #run the graph with tf.Session() as sess: sess.run(init_op) #execute init_op #print the random values that we sample print (sess.run(normal_rv))
输出：
[[-0.16702934 0.07173464 -0.04512421] [-0.02265321 0.06509651 -0.01419079]]
根据上面的答案，用你特定的代码片段，你可以打印这样的产品：
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()
我认为你需要得到一些基本面。 用上面的例子，你已经创build了张量（multidimensional array）。 但是为了使张量stream动真正起作用，你必须启动一个“ 会话 ”并在会话中运行你的“ 操作 ”。 注意单词“会话”和“操作”。 你需要知道4件事情与tensorflow工作：
- 张量
- 操作
- 会议
- 图表
现在从你写的东西给出张量，操作，但你没有会议运行，也没有图表。 张量（图的边）stream过图并由操作（图的节点）操纵。 有默认图表，但你可以启动你的会议。
当你说打印时，你只能访问你定义的variables或常量的形状。
所以你可以看到你缺less的东西：
with tf.Session() as sess: print(sess.run(product)) print (product.eval())
希望它有帮助！
试试这个简单的代码！ （这是自我解释）
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)
您应该将TensorFlow Core程序看作由两个不连续的部分组成：
- 构build计算图。
- 运行计算图。
所以对于下面的代码，只需构build计算图。
matrix1 = tf.constant([[3., 3.]]) matrix2 = tf.constant([[2.],[2.]]) product = tf.matmul(matrix1, matrix2)
您还需要在TensorFlow程序中初始化所有variables，您必须显式调用一个特殊的操作，如下所示：
init = tf.global_variables_initializer()
现在您构build图并初始化所有variables，下一步是评估节点，您必须在会话中运行计算图。 会话封装了TensorFlow运行时的控制和状态。
下面的代码创build一个Session对象，然后调用它的run方法来运行足够的计算图来评估product ：
sess = tf.Session() // run variables initializer sess.run(init) print(sess.run([product]))
请注意， tf.Print()将改变张量名称。 如果您试图打印的张量是一个占位符，向其馈送数据将失败，因为在喂食期间将不会find原始名称。 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
您可以通过启用急切的执行来检查TensorObject的输出，而无需在会话中运行graphics。
只需添加以下两行代码： import tensorflow.contrib.eager as tfe tfe.enable_eager_execution()
您import tensorflow 。
print product的输出现在是： tf.Tensor([[ 12.]], shape=(1, 1), dtype=float32)
请注意，截至目前（2017年11月），您将不得不安装一个Tensorflow nightly构build以启用急切的执行。 预制轮可以在这里find。
