tf.py_func灵活操作tensor

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_)
``