计算机视觉——【tensorflow入门】Tensor与Numpy.ndarray的相互转换

问题驱动

在使用python语言基于tensorflow框架搭建网络模型的时候，对于数据内容和shape的确定难免会参杂着使用numpy和tensorflow的内置函数，但是我们都知道ndarray为numpy的主要存储数据的格式，而tensor又是tensorflow的特色，下面来总结一下两者的转换方法

知识小结

1. 对于直接调用tf.*形式的，返回值一般均为Tensor，无论是tf.constant, 还是占位符

import tensorflow as tf
a = tf.constant([1,2])
print(a) # out:Tensor("Const:0", shape=(2,), dtype=int32)

b = tf.placeholder(shape=[2, 2], dtype=tf.int32)
print(c) # out:Tensor("Placeholder:0", shape=(2, 2), dtype=int32)

#  这里注意 定义tf.Variable(...)时，其属于tf.Variables类，而不是tf.Tensor类
c = tf.Variable([3,4]) # 定义一个3x4的二维系数矩阵
print(c) # out:<tf.Variable 'Variable:0' shape=(2,) dtype=float32_ref>

2. 通过tf.*类的operation返回的也是Tensor

import numpy as np
import tensorflow as tf

a = [1,2,3,4] # 此时创建的是python中的列表（list）数据类型
print(a) # out:list

b = np.ndarray([1,2,3,4])
print(type(b)) # out:numpy.ndarray
# 这里如果直接输出 print(b) 的话，会打印出一系列的值，4-D数组

c = tf.reshape(b, [4, 6]) # 注意变换维度的时候，数组元素的个数总数，保持不变
print(c) # out:Tensor("Reshape_3:0", shape=(4, 6), dtype=float64)

3. ndarray与tensor的相互转换

• ndarray ----> tensor

import numpy as np
import tensorflow as tf

#  函数法
# 先找出一个ndarray的数据，这里我直接定义一个
a = np.ndarray([3,4]) # 3x4形状的ndarray数据

b = tf.convert_to_tensor(a)
print(b) # out:Tensor("Const:0", shape=(3, 4), dtype=float64)

• tensor ------> ndarray

#  通过调用启动会话进行转换
op = tf.constant([1, 2, 3, 4])
print(op) # out:Tensor("Const_1:0", shape=(4,), dtype=int32)

sess = tf.InteractiveSession()
op_ndarray = op.eval() # 这里等效于op_ndarray = sess.run(op)
print(op_ndarray) # out:<class 'numpy.ndarray'>