我一直在TensorFlow中使用矩阵乘法的介绍性例子。
matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[2.],[2.]])
product = tf.matmul(matrix1, matrix2)
当我打印产品时，它会将其显示为Tensor对象：
<tensorflow.python.framework.ops.Tensor object at 0x10470fcd0>
但我怎么知道product的价值？
以下内容无效：
print product
Tensor("MatMul:0", shape=TensorShape([Dimension(1), Dimension(1)]), dtype=float32)
我知道图表在Sessions上运行，但是如果不在Tensor中运行图表，我无法检查session对象的输出吗？
答案 0 :(得分：208)
最简单的 [A] 评估Tensor对象实际值的方法是将其传递给Session.run()方法，或者在Tensor.eval()方法时调用with tf.Session():你有一个默认会话（即在Tensor.eval()块中，或者见下文）。通常 [B] ，如果不在会话中运行某些代码，则无法打印张量值。
如果您正在尝试使用编程模型，并且想要一种简单的方法来评估张量，tf.InteractiveSession可以让您在程序开始时打开一个会话，然后将该会话用于所有Operation.run() }（和Session）调用。这在交互式设置中更容易，例如shell或IPython笔记本，当在任何地方传递Session对象时非常繁琐。
这对于这么小的表达式来说似乎很愚蠢，但Tensorflow中的一个关键想法是延迟执行：构建一个庞大而复杂的表达式非常便宜，当你想要评估它，后端（与tf.Print()连接）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）。
[A]：要打印张量值而不将其返回到Python程序，可以使用tf.Print()运算符作为Andrzej suggests in another answer。请注意，您仍然需要运行图形的一部分来查看此op的输出，该输出将打印到标准输出。如果您正在运行分布式TensorFlow，string会将其输出打印到运行该操作的任务的标准输出。这意味着如果您使用https://colab.research.google.com或任何其他Jupyter Notebook，那么您将看不到笔记本中tf.Print()的输出;在这种情况下，请参考this answer如何让它打印出来。
[B]：你可能能够使用实验tf.contrib.util.constant_value()函数来获得一个常数张量的值，但它并不适合一般用途，并且它并没有为许多运营商定义。
答案 1 :(得分：137)
虽然其他答案是正确的，在评估图表之前无法打印该值，但在评估图表之后，他们并没有谈到在图表中实际打印值的一种简单方法。
在评估图表时（使用run或eval）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，每当我们评估整个图表时，例如使用b.eval()，我们得到：
I tensorflow/core/kernels/logging_ops.cc:79] This is a: [1 3]
答案 2 :(得分：27)
重申其他人所说的话，如果不运行图表就无法检查数值。
任何寻找打印值的简单示例的人的简单代码如下所示。代码可以在ipython notebook
中执行而无需任何修改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]]
答案 3 :(得分：20)
不，如果不运行图表，您就无法看到张量的内容（执行session.run()）。你能看到的唯一的东西是：
transpose_1:0，random_uniform:0）float32）我没有在文档中找到这个，但我相信变量的值（以及一些常量在分配时不计算）。
看一下这个例子：
import tensorflow as tf
from datetime import datetime
dim = 7000
第一个示例，其中我只是启动一个恒定的随机数张量运行大致相同的时间，无论是昏暗的（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，实际评估常量并分配值，时间显然取决于暗淡（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
您可以通过计算某些内容（d = tf.matrix_determinant(m1)，并记住时间将在O(dim^2.8)中运行）来更清晰地显示
P.S。我发现它是在documentation中解释的：
Tensor对象是操作结果的符号句柄， 但实际上并没有保存操作输出的值。
答案 4 :(得分：12)
我认为你需要得到一些正确的基础知识。通过上面的示例，您已经创建了张量（多维数组）。但是对于真正有效的张量流，您必须启动“会话”并在会话中运行“操作”。注意“会话”和“操作”这个词。 你需要知道使用tensorflow的4件事：
现在从你所写的内容中你已经给出了张量和操作，但你没有会话运行也没有图表。张量（图的边缘）流过图形并由操作（图形的节点）操纵。有默认图表，但您可以在会话中启动您的图表。
当您说打印时，您只能访问您定义的变量或常量的形状。
所以你可以看到你缺少的东西：
with tf.Session() as sess:
print(sess.run(product))
print (product.eval())
希望它有所帮助！
答案 5 :(得分：7)
根据上面的答案，您可以使用特定的代码段打印产品：
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()
答案 6 :(得分：7)
在最新的Tensorflow 1.13.1
中import tensorflow as tf
tf.enable_eager_execution()
matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[2.],[2.]])
product = tf.matmul(matrix1, matrix2)
#print the product
print(product) # tf.Tensor([[12.]], shape=(1, 1), dtype=float32)
print(product.numpy()) # [[12.]]
在Tensorflow 2.0中，默认启用了默认模式。因此以下代码适用于TF2.0。
import tensorflow as tf
matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[2.],[2.]])
product = tf.matmul(matrix1, matrix2)
#print the product
print(product) # tf.Tensor([[12.]], shape=(1, 1), dtype=float32)
print(product.numpy()) # [[12.]]
答案 7 :(得分：6)
您可以通过启用eager execution来检查TensorObject的输出，而无需在会话中运行图表。
只需添加以下两行代码：
import tensorflow.contrib.eager as tfe
tfe.enable_eager_execution()
在你import tensorflow之后。
您示例中的print product输出现在为：
tf.Tensor([[ 12.]], shape=(1, 1), dtype=float32)
请注意，截至目前（2017年11月），您必须安装Tensorflow每晚构建以启用急切执行。可以找到预制车轮here。
答案 8 :(得分：5)
请注意，tf.Print()会更改张量名称。
如果您要打印的张量是占位符，则向其提供数据将失败，因为在进纸期间将找不到原始名称。
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
答案 9 :(得分：5)
您应该将TensorFlow核心程序视为由两个不连续的部分组成：
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)
您还需要要初始化TensorFlow程序中的所有变量，您必须显式调用特殊操作，如下所示：
init = tf.global_variables_initializer()
现在您构建图并初始化所有变量，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运行时的控件和状态。
以下代码创建一个Session对象，然后调用其run方法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]))
答案 10 :(得分：3)
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)
答案 11 :(得分：2)
您可以按如下方式打印会话中的张量值：
import tensorflow as tf
a = tf.constant([1, 1.5, 2.5], dtype=tf.float32)
b = tf.constant([1, -2, 3], dtype=tf.float32)
c = a * b
with tf.Session() as sess:
result = c.eval()
print(result)
答案 12 :(得分：2)
在我执行此操作之前，即使阅读了所有答案，我也很难理解所需要的内容。 TensofFlow也是我的新手。
def printtest():
x = tf.constant([1.0, 3.0])
x = tf.Print(x,[x],message="Test")
init = (tf.global_variables_initializer(), tf.local_variables_initializer())
b = tf.add(x, x)
with tf.Session() as sess:
sess.run(init)
print(sess.run(b))
sess.close()
但是你仍然可能需要执行会话返回的值。
def printtest():
x = tf.constant([100.0])
x = tf.Print(x,[x],message="Test")
init = (tf.global_variables_initializer(), tf.local_variables_initializer())
b = tf.add(x, x)
with tf.Session() as sess:
sess.run(init)
c = sess.run(b)
print(c)
sess.close()
答案 13 :(得分：1)
基本上，在张量流中，当您创建任何类型的张量时，它们都会创建并存储在其中，只有在运行张量流会话时才能访问它们。假设您创建了一个恒定张量
c = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
无需运行会话，您可以获取
-op：一项操作。计算该张量的运算。
-value_index：一个整数。产生此张量的操作端点的索引。
-dtype：DType。存储在该张量中的元素的类型。
要获取值，您可以使用所需的张量运行会话：
with tf.Session() as sess:
print(sess.run(c))
sess.close()
输出将是这样的：
array（[[1。，2.，3.]， [4.，5.，6。]]，dtype = float32）
答案 14 :(得分：1)
在Tensorflow 2.0+（或Eager模式环境中）中，您可以调用.numpy()方法：
import tensorflow as tf
matrix1 = tf.constant([[3., 3.0]])
matrix2 = tf.constant([[2.0],[2.0]])
product = tf.matmul(matrix1, matrix2)
print(product.numpy())
答案 15 :(得分：1)
使用https://www.tensorflow.org/api_docs/python/tf/print中提供的技巧，我使用log_d函数来打印格式化的字符串。
import tensorflow as tf
def log_d(fmt, *args):
op = tf.py_func(func=lambda fmt_, *args_: print(fmt%(*args_,)),
inp=[fmt]+[*args], Tout=[])
return tf.control_dependencies([op])
# actual code starts now...
matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[2.],[2.]])
product = tf.matmul(matrix1, matrix2)
with log_d('MAT1: %s, MAT2: %s', matrix1, matrix2): # this will print the log line
product = tf.matmul(matrix1, matrix2)
with tf.Session() as sess:
sess.run(product)
答案 16 :(得分：0)
问题：如何在TensorFlow中打印Tensor对象的值？
答案：
import tensorflow as tf
# Variable
x = tf.Variable([[1,2,3]])
# initialize
init = (tf.global_variables_initializer(), tf.local_variables_initializer())
# Create a session
sess = tf.Session()
# run the session
sess.run(init)
# print the value
sess.run(x)
答案 17 :(得分：0)
启用1.10版后在tensorflow中引入的热切执行。 它非常易于使用。
# Initialize session
import tensorflow as tf
tf.enable_eager_execution()
# Some tensor we want to print the value of
a = tf.constant([1.0, 3.0])
print(a)
答案 18 :(得分：0)
tf.keras.backend.eval对于评估小表达式很有用。
tf.keras.backends.eval(op)
兼容TF 1.x和TF 2.0。
最小可验证示例
from tensorflow.keras.backend import eval
m1 = tf.constant([[3., 3.]])
m2 = tf.constant([[2.],[2.]])
eval(tf.matmul(m1, m2))
# array([[12.]], dtype=float32)
这很有用，因为您不必显式创建Session或InteractiveSession。
答案 19 :(得分：0)
您可以使用Keras，单行答案将是使用float cannot be converted to float[][]这样的方法：
eval答案 20 :(得分：0)
tf.Print现在已弃用，这是使用tf.print（小写p）的方法。
虽然运行会话是一个不错的选择，但并非总是可行的。例如，您可能想在特定会话中打印一些张量。
新的打印方法返回一个没有输出张量的打印操作：
print_op = tf.print(tensor_to_print)
由于它没有输出，因此无法像使用tf.Print一样将其插入到图形中。相反，您可以添加它以控制会话中的依赖项，以使其打印出来。
sess = tf.compat.v1.Session()
with sess.as_default():
tensor_to_print = tf.range(10)
print_op = tf.print(tensor_to_print)
with tf.control_dependencies([print_op]):
tripled_tensor = tensor_to_print * 3
sess.run(tripled_tensor)
有时，在较大的图中，可能部分地在子函数中创建，将print_op传播到会话调用很麻烦。然后，可以使用tf.tuple将打印操作与另一个操作耦合，然后无论哪个会话执行代码，该操作都将与该操作一起运行。这样做的方法如下：
print_op = tf.print(tensor_to_print)
some_tensor_list = tf.tuple([some_tensor], control_inputs=[print_op])
# Use some_tensor_list[0] instead of any_tensor below.
答案 21 :(得分：0)
在Tensorflow V2中，使用tf.keras.backend.print_tensor(x, message='')
打印张量值答案 22 :(得分：0)
我不确定我是否会错过这里，但是我认为最简单，最好的方法是使用tf.keras.backend.get_value API。
print(product)
>>tf.Tensor([[12.]], shape=(1, 1), dtype=float32)
print(tf.keras.backend.get_value(product))
>>[[12.]]
答案 23 :(得分：0)
import tensorflow as tf
sess = tf.InteractiveSession()
x = [[1.,2.,1.],[1.,1.,1.]]
y = tf.nn.softmax(x)
matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[2.],[2.]])
product = tf.matmul(matrix1, matrix2)
print(product.eval())
tf.reset_default_graph()
sess.close()