Comment convertir un tenseur en un tableau numpy lors de l'utilisation de Tensorflow avec des liaisons Python?

TensorFlow 2.x

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 2.0 n'est pas correctement installé (dans ce cas, essayez de réinstaller), ou
• TF 2.0 est installé, mais l'exécution hâtive est désactivée pour une raison quelconque. Dans de tels cas, appelez 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.runou evalest 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.runou 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.

Tu dois:

1. encoder le tenseur d'image dans un format (jpeg, png) en tenseur binaire
2. évaluer (exécuter) le tenseur binaire dans une session
3. tourner le binaire en flux
4. alimenter l'image PIL
5. (facultatif) afficher l'image avec matplotlib

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

Peut-être que vous pouvez essayer ， cette méthode:

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)

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_inputest une valeur scalaire ou un tableau contenant des données d'entrée.

Dans mon cas, la fourniture sessétait 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!

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.