如何在 tensorflow 中将“张量”转换为“numpy”数组？

Question

我试图在 tesnorflow2.0 版本中将张量转换为 numpy。 由于 tf2.0 启用了 eager execution，因此它应该默认工作并且在正常运行时也可以工作。 当我在 tf.data.Dataset API 中执行代码时，它给出了一个错误

“AttributeError：‘Tensor’ object 没有属性‘numpy’”

我在 tensorflow 变量之后尝试了“.numpy()”，对于“.eval()”，我无法获得默认值 session。

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

这很好用

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 有 cv2 和 sklearn 函数

Answer 1

如果将在tf.data.Dataset.map调用中使用此张量，则不能在张量上使用.numpy方法。

tf.data.Dataset对象通过创建静态图来工作：这意味着您不能使用.numpy()因为在静态图上下文中的tf.Tensor对象不具有此属性。

因此，行input_image = random_noise(image.numpy())应该是input_image = random_noise(image) 。

但是，由于random_noise从model.utils包中调用get_noise ，因此代码很可能再次失败。 如果使用Tensorflow编写了get_noise函数，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仅使用输入图像的get_noise创建随机噪声，则可以将其定义为：

def get_noise(image):
    return tf.random.normal(shape=tf.shape(image))

仅使用Tensorflow原语，它将起作用。

希望本概述对您有所帮助！

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部分与您的方案有关）： 第1 部分第2 部分第3部分

Answer 2

在 TF2.x 版本中，使用tf.config.run_functions_eagerly(True) 。