如何在TensorFlow中打印一个张量对象的值?

计算Tensor对象的实际值的最简单的__abc4方法是将它传递给Session.run()方法，或者当你有默认会话(即在with tf.Session():块中，或见下文)时调用Tensor.eval()。一般来说，如果不在会话中运行一些代码，就不能打印张量的值。

如果你正在试验编程模型，并且想要一种简单的方法求张量，tf.InteractiveSession可以让你在程序开始时打开一个会话，然后将该会话用于所有Tensor.eval()(和Operation.run())调用。在交互式设置中，例如shell或IPython笔记本，当到处传递Session对象很乏味时，这可能会更容易。例如，以下工作在Jupyter笔记本:

with tf.Session() as sess:  print(product.eval())

对于如此小的表达式来说，这可能看起来很愚蠢，但这是Tensorflow 1中的关键思想之一。x是延迟执行:构建一个大而复杂的表达式非常便宜，当你想对它求值时，后端(你用Session连接到它)能够更有效地调度它的执行(例如，并行执行独立的部分并使用gpu)。

[A]:要打印一个张量的值而不返回给你的Python程序，你可以使用tf.print()操作符，如Andrzej在另一个答案中提出。根据官方文件:

为了确保操作符运行，用户需要将生成的op传递给tf.compat.v1.Session的run方法，或者通过指定tf.compat.v1.control_dependencies([print_op])将op用作已执行操作的控制依赖项，该操作将被打印到标准输出。

还要注意:

在Jupyter笔记本和colabs中，tf.print打印到笔记本单元格输出。它不会写入笔记本内核的控制台日志。

[B]:你可以使用tf.get_static_value()函数来获得给定张量的常数值，如果它的值是有效可计算的。

不，你不能在不运行图(执行session.run())的情况下看到张量的内容。你能看到的只有:

• 张量的维数(但我假设对于TF拥有的操作列表来说计算它并不难)
• 用于生成张量的操作类型(transpose_1:0， random_uniform:0)
• 张量中元素的类型(float32)

我没有在文档中找到这一点，但我相信变量的值(和一些常数在赋值时没有计算)。

看看这个例子:

import tensorflow as tf
from datetime import datetime
dim = 7000

第一个例子中，我刚刚启动了一个常量随机数张量运行的时间大致相同，不考虑dim (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

在第二种情况中，实际计算常量并分配值，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(d = tf.matrix_determinant(m1)，记住时间将在O(dim^2.8)中运行)来让它更清楚

附注:我发现它是在文档解释:

张量对象是运算结果的符号句柄， 但是实际上并不保存操作输出的值

虽然其他答案是正确的，即在对图求值之前不能打印值，但它们并没有谈到一种简单的方法，即一旦对图求值，就可以在图中实际打印值。

当图被求值(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)

现在，当我们求值整个图时，例如使用b.eval()，我们得到:

I tensorflow/core/kernels/logging_ops.cc:79] This is a: [1 3]

重申其他人所说的，不运行图表是不可能检查值的。

下面是一个简单的代码片段，供寻找打印值的简单示例的人使用。代码可以在ipython notebook中执行，无需任何修改

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]]

基于上面的答案，使用特定的代码片段，您可以像这样打印产品:

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()

试试这个简单的代码!(不言自明)

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)

1. 张量
2. 操作
3. 会话
4. 图

现在，从你写出来的东西中，你已经给出了张量和操作，但你没有运行会话，也没有图。张量(图的边)在图中流动，并由操作(图的节点)操作。有默认的图形，但你可以在会话中初始化你的。

当你说打印时，你只访问你定义的变量或常数的形状。

所以你可以看到你错过了什么:

 with tf.Session() as sess:
print(sess.run(product))
print (product.eval())

希望能有所帮助!

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

你应该认为TensorFlow核心程序由两个独立的部分组成:

• 构建计算图。
• 运行计算图。

因此，对于下面的代码，您只需构建计算图。

matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[2.],[2.]])
product = tf.matmul(matrix1, matrix2)

为了初始化TensorFlow程序中的所有变量，你必须显式调用一个特殊操作，如下所示:

init = tf.global_variables_initializer()

现在您构建了图并初始化了所有变量，下一步是计算节点，您必须在会话中运行计算图。会话封装了TensorFlow运行时的控件和状态。

下面的代码创建一个Session对象，然后调用它的run方法来运行足够的计算图来计算product:

sess = tf.Session()
// run variables initializer
sess.run(init)


print(sess.run([product]))

你可以通过启用急切的执行来检查TensorObject的输出，而不用在会话中运行图。