我正在尝试在 tesnorflow2.0 版本中将张量转换为 numpy。由于 tf2.0 启用了 eager execution，因此它应该默认工作并且在正常运行时也可以工作。当我在 tf.data.Dataset API 中执行代码时出现错误
“AttributeError: 'Tensor' 对象没有属性 'numpy'”
我在 tensorflow 变量之后尝试了“.numpy()”，对于“.eval()”，我无法获得默认 session 。
from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow as tf
# tf.executing_eagerly()
import os
import time
import matplotlib.pyplot as plt
from IPython.display import clear_output
from model.utils import get_noise
import cv2
def random_noise(input_image):
img_out = get_noise(input_image)
return img_out
def load_denoising(image_file):
image = tf.io.read_file(image_file)
image = tf.image.decode_png(image)
real_image = image
input_image = random_noise(image.numpy())
input_image = tf.cast(input_image, tf.float32)
real_image = tf.cast(real_image, tf.float32)
return input_image, real_image
def load_image_train(image_file):
input_image, real_image = load_denoising(image_file)
return input_image, real_image
这很好用
inp, re = load_denoising('/data/images/train/18.png')
# Check for correct run
plt.figure()
plt.imshow(inp)
print(re.shape," ", inp.shape)
这会产生上述错误
train_dataset = tf.data.Dataset.list_files('/data/images/train/*.png')
train_dataset = train_dataset.map(load_image_train,num_parallel_calls=tf.data.experimental.AUTOTUNE)
注意:random_noise有cv2和sklearn函数
请您参考如下方法:
如果要在 tf.data.Dataset.map 调用中使用此张量，则不能对张量使用 .numpy 方法。
引擎盖下的 tf.data.Dataset 对象通过创建静态图来工作:这意味着您不能使用 .numpy() 因为 tf.Tensor 静态图上下文中的对象没有此属性。
因此，input_image = random_noise(image.numpy()) 行应该是 input_image = random_noise(image)。
但由于 random_noise 从 model.utils 包中调用了 get_noise，代码可能会再次失败。 如果 get_noise 函数是使用 Tensorflow 编写的，那么一切都会起作用。否则，它不会工作。
解决方案？仅使用 Tensorflow 原语编写代码。
例如，如果您的函数 get_noise 只是用输入图像的表面创建随机噪声，您可以这样定义它:
def get_noise(image):
return tf.random.normal(shape=tf.shape(image))
仅使用 Tensorflow 基元，它就可以工作。
希望这篇概述对您有所帮助!
P.S:您可能有兴趣查看文章“分析 tf.function 以发现 AutoGraph 的优势和微妙之处”——它们涵盖了这方面(也许第 3 部分与您的场景相关):part 1 part 2 part 3
