我正在尝试在tesnorflow2.0版本中将张量转换为numpy。由于tf2.0启用了急切的执行功能,因此默认情况下它应该也可以正常运行。当我在tf.data.Dataset API中执行代码时,它给出了错误
“ AttributeError:'Tensor'对象没有属性'numpy'”
我在tensorflow变量后尝试了“ .numpy()”,对于“ .eval()”,我无法获得默认会话。
from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow as tf
# tf.executing_eagerly()
import os
import time
import matplotlib.pyplot as plt
from IPython.display import clear_output
from model.utils import get_noise
import cv2
def random_noise(input_image):
img_out = get_noise(input_image)
return img_out
def load_denoising(image_file):
image = tf.io.read_file(image_file)
image = tf.image.decode_png(image)
real_image = image
input_image = random_noise(image.numpy())
input_image = tf.cast(input_image, tf.float32)
real_image = tf.cast(real_image, tf.float32)
return input_image, real_image
def load_image_train(image_file):
input_image, real_image = load_denoising(image_file)
return input_image, real_image
这很好
inp, re = load_denoising('/data/images/train/18.png')
# Check for correct run
plt.figure()
plt.imshow(inp)
print(re.shape," ", inp.shape)
这会产生提到的错误
train_dataset = tf.data.Dataset.list_files('/data/images/train/*.png')
train_dataset = train_dataset.map(load_image_train,num_parallel_calls=tf.data.experimental.AUTOTUNE)
注意:random_noise具有cv2和sklearn函数
答案 0 :(得分:0)
如果要在.numpy
调用中使用此张量,则不能在张量上使用tf.data.Dataset.map
方法。
内部的tf.data.Dataset
对象通过创建静态图形来工作:这意味着您无法使用.numpy()
,因为在静态图形上下文中的tf.Tensor
对象不会具有此属性。
因此,input_image = random_noise(image.numpy())
行应为input_image = random_noise(image)
。
但是由于random_noise
从get_noise
包中调用model.utils
,因此代码很可能再次失败。
如果get_noise
函数是使用Tensorflow编写的,那么一切都会正常。否则,它将无法正常工作。
解决方案?仅使用Tensorflow原语编写代码。
例如,如果您的函数get_noise
仅凭输入图像的光泽产生随机噪声,则可以按以下方式定义它:
def get_noise(image):
return tf.random.normal(shape=tf.shape(image))
仅使用Tensorflow原语,它将起作用。
希望此概述对您有所帮助!
PS:您可能会对文章“分析tf.function来发现AutoGraph的优势和微妙之处”感兴趣-它们涵盖了这一方面(也许第3部分与您的情况有关):{{3} } part 1 part 2