由于我需要在使用Tensorflow训练模型之前为数据编写一些预处理程序，因此需要对进行一些修改tensor。但是，我不知道如何tensor像使用一样修改值numpy。
最好的方法是可以tensor直接修改。但是，在当前版本的Tensorflow中似乎不可能。另一种方法是改变tensor到ndarray该进程，然后用tf.convert_to_tensor改回来。
关键是如何更改tensor为ndarray。
1）tf.contrib.util.make_ndarray(tensor)：https : //www.tensorflow.org/versions/r0.8/api_docs/python/contrib.util.html#make_ndarray
根据文档，这似乎是最简单的方法，但是在当前版本中我找不到此功能Tensorflow。其次，它的输入TensorProto不是tensor。
2）a.eval()用于复制a到另一个ndarray
但是，它仅tf.InteractiveSession()在笔记本中使用时有效。
下面是一个带有代码的简单案例。该代码的目的是使tfc的输出与处理npc后的输出相同。
提示
您应该这样对待tfc并且npc彼此独立。这满足了最初检索到的训练数据采用tensor格式的情况tf.placeholder()。
源代码
import numpy as np
import tensorflow as tf
tf.InteractiveSession()
tfc = tf.constant([[1.,2.],[3.,4.]])
npc = np.array([[1.,2.],[3.,4.]])
row = np.array([[.1,.2]])
print('tfc:\n', tfc.eval())
print('npc:\n', npc)
for i in range(2):
for j in range(2):
npc[i,j] += row[0,j]
print('modified tfc:\n', tfc.eval())
print('modified npc:\n', npc)
输出：
tfc：
[[1. 2.]
[3. 4.]]
npc：
[[1. 2.]
[3. 4.]]
修改tfc：
[[1. 2.]
[3. 4.]]
修改npc：
[[1.1 2.2]
[3.1 4.2]]
使用assign和eval（或sess.run）分配：
import numpy as np
import tensorflow as tf
npc = np.array([[1.,2.],[3.,4.]])
tfc = tf.Variable(npc) # Use variable
row = np.array([[.1,.2]])
with tf.Session() as sess:
tf.initialize_all_variables().run() # need to initialize all variables
print('tfc:\n', tfc.eval())
print('npc:\n', npc)
for i in range(2):
for j in range(2):
npc[i,j] += row[0,j]
tfc.assign(npc).eval() # assign_sub/assign_add is also available.
print('modified tfc:\n', tfc.eval())
print('modified npc:\n', npc)
它输出：
tfc:
[[ 1. 2.]
[ 3. 4.]]
npc:
[[ 1. 2.]
[ 3. 4.]]
modified tfc:
[[ 1.1 2.2]
[ 3.1 4.2]]
modified npc:
[[ 1.1 2.2]
[ 3.1 4.2]]
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句