TensorFlow 2.x中非eagerTensor类型Tensor转换为Numpy数组问题问询

错误原因 #

你现有代码中取到的model.get_layer(name='prediction_image').output是模型计算图的静态张量节点，没有绑定实际前向计算的数值，不属于eagerTensor类型，因此直接调用.numpy()方法无效。你之前调用的model.predict(x_ds)没有保存结果，也没有和目标层的输出做关联。

推荐解决方法（适配TF2原生逻辑） #

构造截取到目标层输出的子模型，直接通过predict方法得到numpy格式的层输出：

# 原有预处理代码不变
img_height=330
img_width=600
img_depth=23

save_model="saved_Models/wheatModel"
prediction_data_path=["data/stacked/MOD13Q1.A2017.2738.tif","data/stacked/MOD13Q1.A2017.889.tif","data/stacked/MOD13Q1.A2017.923.tif"]

prediction_data=dataConv.preparePredictionData(prediction_data_path)
prediction_reshaped=dataConv.reshapeFiles(prediction_data,img_width,img_height,img_depth)
x_ds =tf.stack(prediction_reshaped)

# 加载原模型
model = tf.keras.models.load_model(save_model)
# 构造子模型：输入为原模型输入，输出为目标层的输出
feature_extractor = tf.keras.Model(
    inputs=model.input,
    outputs=model.get_layer(name='prediction_image').output
)
# 直接预测得到numpy数组格式的层输出
layer_output = feature_extractor.predict(x_ds)
# 做维度调整即可，此时已经是numpy数组可以直接操作
n,output_width,output_height,output_depth,output_channels = layer_output.shape
image = layer_output.reshape((output_width,output_height,output_depth))

兼容型解决方法（不推荐） #

如果需要沿用原有计算图节点逻辑，可以调用TF1兼容接口的会话执行得到数值：

# 原有代码执行到reshape之后
image=tf.reshape(image,(output_width,output_height,output_depth))

with tf.compat.v1.Session() as sess:
    # 加载模型权重到会话中
    tf.compat.v1.keras.backend.set_session(sess)
    sess.run(tf.compat.v1.global_variables_initializer())
    # 传入输入数据执行计算得到numpy数组
    image_np = sess.run(image, feed_dict={model.input: x_ds})

注意事项 #

• 推荐第一种方法，完全适配TensorFlow 2.x的eager执行逻辑，不需要依赖废弃接口，稳定性和执行效率更高
• 建议先拿到层输出的实际数值后再做维度调整，避免计算图节点操作带来的额外开销

内容的提问来源于stack exchange，提问作者lutz500