一,tensorflow中所有的tensor只是占位符,在没有用tf.Session().run接口feeddisk填充值之前是没有实际值的,不能对其进行判值操作,如if … else…等,在实际问题中,我们可能需要将一个tensor转换成numpy array 然后进行一些 np.的运算,然后返回tensor. 这样可以加强tensorflow的灵活性。
二,tf.py_func
1.func函数:以numpy arrays 作为输入(或placeholder 需要feed),并以numpy arrays 作为输出。在函数中可自由使用针对 numpy arrays 的操作。
2.inp: 是func函数接受的输入,是一个列表。
3.Tout: 指定numpy转化为tensor 后的类型。
tf.py_func 返回值是一个tensor,类型为Tout指定的。
注意:
tf.py_func中的func是脱离Graph的。在func中不能定义可训练的参数参与网络训练(反向传播)。
def my_func(array1,array2):
return array1 + array2, array1 - array2
if __name__ =='__main__':
array1 = np.array([[1, 2], [3, 4]])
array2 = np.array([[1, 2], [3, 4]])
a1 = tf.placeholder(tf.float32,[2,2],name = 'array1')
a2 = tf.placeholder(tf.float32,[2,2],name = 'array2')
y1,y2 = tf.py_func(my_func,[a1,a2],[tf.float32, tf.float32])
with tf.Session() as sess:
y1_,y2_ = sess.run([y1,y2],feed_dict={a1:array1,a2:array2})
print(y1_)
print('*'*10)
print(y2_)
``