Comment convertir un tenseur en un tableau numpy lors de l'utilisation de Tensorflow avec des liaisons Python?
Réponses:
Eager Execution est activé par défaut, il vous suffit donc d'appeler .numpy()
l'objet Tensor.
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)
Voir Compatibilité NumPy pour plus d'informations. Il convient de noter (à partir de la documentation),
Le tableau Numpy peut partager la mémoire avec l'objet Tensor. Toute modification de l'un peut être reflétée dans l'autre.
Je souligne le mien. Une copie peut être retournée ou non, et il s'agit d'un détail d'implémentation basé sur le fait que les données sont dans le CPU ou le GPU (dans ce dernier cas, une copie doit être faite du GPU vers la mémoire hôte).
Mais pourquoi est-ce que je reçois AttributeError: 'Tensor' object has no attribute 'numpy'
? .
Beaucoup de gens ont commenté ce problème, il y a plusieurs raisons possibles:
tf.compat.v1.enable_eager_execution()
pour l'activer ou voyez ci-dessous.Si Eager Execution est désactivé, vous pouvez créer un graphique, puis l'exécuter via tf.compat.v1.Session
:
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)
Voir aussi Carte des symboles TF 2.0 pour un mappage de l'ancienne API vers la nouvelle.
Tout tenseur renvoyé par Session.run
ou eval
est un tableau NumPy.
>>> print(type(tf.Session().run(tf.constant([1,2,3]))))
<class 'numpy.ndarray'>
Ou:
>>> sess = tf.InteractiveSession()
>>> print(type(tf.constant([1,2,3]).eval()))
<class 'numpy.ndarray'>
Ou équivalent:
>>> sess = tf.Session()
>>> with sess.as_default():
>>> print(type(tf.constant([1,2,3]).eval()))
<class 'numpy.ndarray'>
EDIT: Pas tout tenseur retourné par Session.run
ou eval()
est un tableau NumPy. Par exemple, les Sparse Tensors sont renvoyés en tant que SparseTensorValue:
>>> print(type(tf.Session().run(tf.SparseTensor([[0, 0]],[1],[1,2]))))
<class 'tensorflow.python.framework.sparse_tensor.SparseTensorValue'>
Pour reconvertir du tenseur au tableau numpy, vous pouvez simplement exécuter .eval()
sur le tenseur transformé.
ValueError: Cannot evaluate tensor using 'eval()': No default session is registered. Use 'with sess.as_default()' or pass an explicit session to 'eval(session=sess)'
Est-ce utilisable uniquement pendant une session tensoflow?
.eval()
appel de méthode depuis l'intérieur d'une session: sess = tf.Session(); with sess.as_default(): print(my_tensor.eval())
Tu dois:
Code:
import tensorflow as tf
import matplotlib.pyplot as plt
import PIL
...
image_tensor = <your decoded image tensor>
jpeg_bin_tensor = tf.image.encode_jpeg(image_tensor)
with tf.Session() as sess:
# display encoded back to image data
jpeg_bin = sess.run(jpeg_bin_tensor)
jpeg_str = StringIO.StringIO(jpeg_bin)
jpeg_image = PIL.Image.open(jpeg_str)
plt.imshow(jpeg_image)
Cela a fonctionné pour moi. Vous pouvez l'essayer dans un notebook ipython. N'oubliez pas d'ajouter la ligne suivante:
%matplotlib inline
J'ai affronté et résolu la conversion tensor-> ndarray dans le cas spécifique des tenseurs représentant des images (contradictoires), obtenues avec la bibliothèque / tutoriels cleverhans .
Je pense que ma question / réponse ( ici ) peut être un exemple utile également pour d'autres cas.
Je suis nouveau avec TensorFlow, la mienne est une conclusion empirique:
Il semble que la méthode tensor.eval () peut avoir besoin, pour réussir, également de la valeur des espaces réservés d' entrée . Tensor peut fonctionner comme une fonction qui a besoin de ses valeurs d'entrée (fournies dans feed_dict
) afin de renvoyer une valeur de sortie, par exemple
array_out = tensor.eval(session=sess, feed_dict={x: x_input})
Veuillez noter que le nom de l'espace réservé est x dans mon cas, mais je suppose que vous devriez trouver le bon nom pour l' espace réservé d' entrée .
x_input
est une valeur scalaire ou un tableau contenant des données d'entrée.
Dans mon cas, la fourniture sess
était également obligatoire.
Mon exemple couvre également la partie visualisation d'images matplotlib , mais c'est OT.
Un exemple simple pourrait être,
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 maintenant si nous voulons que ce tenseur a soit converti en un tableau numpy
a_np=a.eval()
print(type(a_np))
#<class 'numpy.ndarray'>
Aussi simple que cela!
//
n'est pas pour commenter en python. Veuillez modifier votre réponse.
Je cherchais cette commande depuis des jours.
Cela a fonctionné pour moi en dehors de toute session ou quelque chose comme ça.
# 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
Vous pouvez utiliser la fonction backend de Keras.
import tensorflow as tf
from tensorflow.python.keras import backend
sess = backend.get_session()
array = sess.run(< Tensor >)
print(type(array))
<class 'numpy.ndarray'>
J'espère que ça aide!
Si vous voyez qu'il existe une méthode _numpy () , par exemple pour un EagerTensor, appelez simplement la méthode ci-dessus et vous obtiendrez un ndarray.