Convertir le tenseur en tableau Numpy

Commençons.

Qu'est-ce qu'un tenseur?

Un tenseur ou un tenseur tensorflow pour faire référence à un réseau multidimensionnel avec un type uniforme. Par exemple, considérons un tenseur comme une collection de vecteurs et de matrices dans un tableau multidimensionnel.

Comme les cordes Python, un tenseur est immuable et ne vous permet pas de modifier son contenu après la déclaration.

Nous pouvons créer un tenseur comme indiqué dans l'extrait suivant:

Importer TensorFlow comme TF
Importer Numpy comme NP
tenseur = tf.constant ([[10,20], [30,40], [50,60]]))
imprimer (tenseur)

Dans le code donné, nous commençons par importer les modules TensorFlow et Numpy en tant que TF et N, respectivement.

Nous créons ensuite un nouveau tenseur en utilisant la fonction constante et la passons dans un tableau. L'impression de la valeur résultante renvoie une sortie comme indiqué dans ce qui suit:

TF.Tenseur (
[[10 20]
[30 40]
[50 60]], forme = (3, 2), dtype = int32)

Le code renvoie un nouveau tenseur de forme A (3,2) et le type de données INT32.

Méthode 1: Python Converti le tenseur en tableau Numpy

La première méthode la plus courante que nous pouvons utiliser pour convertir un tenseur en un réseau numpy est le tenseur.Fonction Numpy ().

La fonction renvoie un tenseur fourni comme un Numpy ndarray.

Un exemple de code est comme indiqué dans ce qui suit:

Importer TensorFlow comme TF
Importer Numpy comme NP
tenseur = tf.constant ([[10,20], [30,40], [50,60]]))
Tensor_Array = Tensor.Numpy ()
imprimer (type (tenseur))
print (type (tensor_array))

Dans l'exemple donné, nous utilisons la fonction Numpy () qui permet de convertir un type de tenseur d'entrée en un Numpy ndarray.

Le code précédent doit renvoyer les types résultants comme suit:

Nous pouvons voir à partir de la sortie précédente que la valeur est convertie d'un Eagertensor à un Numpy Ndarray.

NOTE: La méthode précédemment représentée fonctionne sur TensorFlow version 2 et supérieure.

Parfois, vous devrez peut-être permettre l'exécution impatiente de votre installation TensorFlow.

Méthode 2: Versions TensorFlow plus anciennes ou exécution désireuse désactivée

Supposons que vous ayez TensorFlow version 1.0 et aimerait convertir un tenseur en un tableau nu. Pour cela, vous pouvez utiliser le tensorflow.Méthode session ().

Le tenseur.L'objet session () nous offre la fonction run () qui peut aider dans notre cas. Le passage d'une fonction tensor renvoie un tableau Numpy comme illustré dans le code suivant:

Importer TensorFlow.compat.v1 comme tf
TF.compat.v1.disable_v2_behavior ()
tenseur = tf.constant ([[1,2], [3,4], [5,6]])
Tensor_Array = TF.Session().Run (tenseur)
print (type (tensor_array))

Nous avons commencé par importer la version V1 de TensorFlow dans le code précédent. Cela nous donne accès à la fonction session ().

Nous désactivons ensuite le comportement V2 comme illustré par le code à la ligne 2.

Le bloc V2 désactive les fonctionnalités V2 TensorFlow qui peuvent entraîner une erreur comme indiqué dans les éléments suivants:

AttributError: le module 'Tensorflow' n'a pas d'attribut 'session'

Ensuite, nous créons un tenseur avec la fonction constante.

Enfin, nous exécutons le code pour convertir le tenseur.

Le type résultant est comme indiqué dans les éléments suivants:

N'oubliez pas que tous les tenseurs passés à la fonction d'exécution ne sont pas renvoyés sous forme de tableau Numpy.
Par exemple:

Importer TensorFlow.compat.v1 comme tf
TF.compat.v1.disable_v2_behavior ()
tenseur = tf.clairsemé.SPARSETENSEUR (Indices = [[0, 0], [1, 2]], valeurs = [1, 2], dense_shape = [3, 4])
Tensor_Array = TF.Session().Run (tenseur)
print (type (tensor_array))

Nous utilisons un type sparsetentenseur dans cet exemple et le transmettons dans la fonction d'exécution. Le code précédent renvoie un résultat comme indiqué dans ce qui suit:

Dans ce cas, nous obtenons une sparsetenSorValue au lieu d'un tableau nu.

Méthode 3: Utilisation de la fonction EVAL

Si vous utilisez la version 1 de TensorFlow, vous pouvez utiliser la fonction EVAL () pour accomplir la même chose.

La fonctionnalité est étroitement similaire à la fonction d'exécution illustrée dans l'exemple précédent. Examinons l'exemple de code suivant:

Importer TensorFlow.compat.v1 comme tf
TF.compat.v1.disable_v2_behavior ()
tenseur = tf.constant ([[1,2,3], [4,5,6]))
imprimer (type (tenseur))
Tensor_Array = Tensor.EVAL (Session = TF.Session())
print (type (tensor_array))
De même, le code précédent renvoie un tableau Numpy.

Conclusion

Cet article explore les trois principales méthodes de conversion d'un tenseur en un réseau nupy. Nous espérons que vous avez apprécié le tutoriel.

Merci d'avoir lu!!