如何在TensorFlow中打印张量对象的值？

Question

我一直在使用TensorFlow中矩阵乘法的介绍性示例。

matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[2.],[2.]])
product = tf.matmul(matrix1, matrix2)

当我打印产品时，它显示为一个Tensor对象：

<tensorflow.python.framework.ops.Tensor object at 0x10470fcd0>

但是我怎么知道product的值呢？

以下情况没有帮助：

print product
Tensor("MatMul:0", shape=TensorShape([Dimension(1), Dimension(1)]), dtype=float32)

我知道图是在Sessions上运行的，但是没有任何方法可以检查Tensor对象的输出而不在session中运行图吗？

Answer 1

计算Tensor对象的实际值的最简单方法是将其传递给Session.run()方法，或者在有默认会话时调用Tensor.eval()（即在with tf.Session():块中，或见下文）。一般来说，如果不在会话中运行某些代码，则无法打印张量的值。

如果您正在尝试编程模型，并且想要一种简单的方法来计算张量，^{}允许您在程序开始时打开一个会话，然后将该会话用于所有的Tensor.eval()（和Operation.run()）调用。在交互式设置（如shell或IPython笔记本）中，当到处传递Session对象很乏味时，这可能更容易实现。例如，以下内容适用于Jupyter笔记本：

with tf.Session() as sess:  print(product.eval()) 

对于这样一个小的表达式来说，这可能看起来很傻，但是Tensorflow中的一个关键思想是延迟执行：构建一个大而复杂的表达式是非常便宜的，并且当您想要对其求值时，后端（与Session连接）能够更有效地调度其执行（例如执行独立的并行部件和使用GPU）。

---

[A]：要打印张量的值而不将其返回到Python程序，可以使用^{}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以查看此操作的输出，该操作将打印为标准输出。如果运行的是分布式TensorFlow，tf.Print()将其输出打印到运行该op的任务的标准输出。这意味着，如果您使用https://colab.research.google.com例如，或任何其他Jupyter笔记本，那么您将在笔记本中看不到^{}的输出；在这种情况下，请参阅this answer关于如何使其静止打印。

[B]：您可以使用实验函数^{}来获取常量张量的值，但它不是一般用途，也不是为许多运算符定义的。

Answer 2

重复别人的话，不运行图表就不可能检查值。

下面是一个简单的代码片段，任何人都可以通过它来寻找一个简单的示例来打印值。在ipython笔记本中，代码可以在不做任何修改的情况下执行

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]]

Answer 3

虽然其他的答案是正确的，即在对图形求值之前不能打印该值，但它们并没有讨论一种简单的方法，即在对图形求值之后，在图形中实际打印一个值。

每当对图求值（使用run或eval）时，查看张量值的最简单方法是使用^{}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]