Question

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，因此需要对tensor进行一些修改。但是，我不知道如何使用tensor修改numpy中的值。

这样做的最佳方式是能够直接修改tensor。然而，在当前版本的Tensorflow中似乎不可能。另一种方法是将流程的tensor更改为ndarray，然后使用tf.convert_to_tensor进行更改。

关键是如何将tensor更改为ndarray 1）tf.contrib.util.make_ndarray(tensor)： https://www.tensorflow.org/versions/r0.8/api_docs/python/contrib.util.html#make_ndarray
这似乎是文档中最简单的方法，但我在Tensorflow的当前版本中找不到这个功能。其次，它的输入是TensorProto而不是tensor 2）使用a.eval()将a复制到另一个ndarray
然而，它仅适用于在笔记本中使用tf.InteractiveSession()。

代码的简单案例如下所示。此代码的目的是使tfc在处理后具有与npc相同的输出。

HINT
您应该认为tfc和npc彼此独立。这符合以下情况：检索到的培训数据最初为tensor格式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.]]
修改过的tfc：
[[1. 2.]
[3. 4.]]
修改后的npc：
[[1.1 2.2]
[3.1 4.2]]

Answer 1

使用assign和eval（或sess.run）赋值：

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)

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]]

Answer 2

我为此苦了一段时间。给出的答案将向图形添加assign操作（因此，如果您随后保存检查点，则不必要地增加.meta的大小）。更好的解决方案是使用tf.keras.backend.set_value。可以通过以下方式使用原始张量流来模拟这一点：

    for x, value in zip(tf.global_variables(), values_npfmt):
      if hasattr(x, '_assign_placeholder'):
        assign_placeholder = x._assign_placeholder
        assign_op = x._assign_op
      else:
        assign_placeholder = array_ops.placeholder(tf_dtype, shape=value.shape)
        assign_op = x.assign(assign_placeholder)
        x._assign_placeholder = assign_placeholder
        x._assign_op = assign_op
      get_session().run(assign_op, feed_dict={assign_placeholder: value})

Tensorflow：如何修改张量值

2 个答案: