Python 将张量转换为numpy数组，但精度更高

使用TF2并通过调用

.numpy（）

将张量转换为数组效果良好，但返回

float32

，我需要更高精度的numpy数组

我甚至读了资料来源，也找不到这样做的方法

编辑： 添加一些代码，以显示如何获取向量

model=tf.saved_model.load（'./使用_lite_saved_model'））
sp=spm.SentencePieceProcessor（）
sp.Load（'./使用\u lite\u saved\u model/assets/universal\u encoder\u 8k\u spm.model'）
def create_矢量（句子）：
全球sp
全局模型
值、索引、密集形状=以稀疏格式（sp，[句子]）处理到ID
张量\u out\u dict=model.signatures['default'](
值=值，
指数=指数，
密集形状=密集形状
)
tensor\u out=tensor\u out\u dict[“默认值”]
返回张量_out.numpy（）[0]
NumPy默认使用64位精度，而TensorFlow使用32位。
这是因为对于神经网络来说，32位精度通常已经足够了，
此外，它运行更快，使用更少的内存

如果您仍然希望张量处于更高的位置，可以使用tf.cast，或者在转换为NumPy后，可以按如下方式更改数据类型

values =  tf.constant([1.0,2.0,3.0,4.0,5.0])

返回：

tf.Tensor([1. 2. 3. 4. 5.], shape=(5,), dtype=float32)

tf.Tensor([1. 2. 3. 4. 5.], shape=(5,), dtype=float64) 

dtype('float64')  

要使用
tf.cast
更改精度，请执行以下操作：

values_float64 = tf.cast(values,dtype=tf.float64)

返回：

tf.Tensor([1. 2. 3. 4. 5.], shape=(5,), dtype=float32)

tf.Tensor([1. 2. 3. 4. 5.], shape=(5,), dtype=float64) 

dtype('float64')  

要使用NumPy astype更改精度，请执行以下操作：

values.numpy().astype(np.float64)

返回：

tf.Tensor([1. 2. 3. 4. 5.], shape=(5,), dtype=float32)

tf.Tensor([1. 2. 3. 4. 5.], shape=(5,), dtype=float64) 

dtype('float64')  

但如果您是从默认情况下使用float64的NumPy数组创建张量，那么在张量中也会保持相同

numpy_array = np.array([1.0,2.0,3.0,4.0])

tesor_from_numpy = tf.constant(numpy_array) 

返回：

tf.Tensor([1. 2. 3. 4.], shape=(4,), dtype=float64)  

希望我已经回答了你的问题，学习愉快
 NumPy默认使用64位精度，而TensorFlow使用32位。
这是因为对于神经网络来说，32位精度通常已经足够了，
此外，它运行更快，使用更少的内存

如果您仍然希望张量处于更高的位置，可以使用tf.cast，或者在转换为NumPy后，可以按如下方式更改数据类型

values =  tf.constant([1.0,2.0,3.0,4.0,5.0])

返回：

tf.Tensor([1. 2. 3. 4. 5.], shape=(5,), dtype=float32)

tf.Tensor([1. 2. 3. 4. 5.], shape=(5,), dtype=float64) 

dtype('float64')  

要使用
tf.cast
更改精度，请执行以下操作：

values_float64 = tf.cast(values,dtype=tf.float64)

返回：

tf.Tensor([1. 2. 3. 4. 5.], shape=(5,), dtype=float32)

tf.Tensor([1. 2. 3. 4. 5.], shape=(5,), dtype=float64) 

dtype('float64')  

要使用NumPy astype更改精度，请执行以下操作：

values.numpy().astype(np.float64)

返回：

tf.Tensor([1. 2. 3. 4. 5.], shape=(5,), dtype=float32)

tf.Tensor([1. 2. 3. 4. 5.], shape=(5,), dtype=float64) 

dtype('float64')  

但如果您是从默认情况下使用float64的NumPy数组创建张量，那么在张量中也会保持相同

numpy_array = np.array([1.0,2.0,3.0,4.0])

tesor_from_numpy = tf.constant(numpy_array) 

返回：

tf.Tensor([1. 2. 3. 4.], shape=(4,), dtype=float64)  

希望我已经回答了你的问题，学习愉快
 您可以在检索NumPy数组后将其转换为更高的精度（如
.NumPy（）.astype（np.float64）
中所示），但这只会给您相同的值，占用两倍的内存。如果您希望以更高的精度计算张量，那么您需要创建这样的张量。创建输入时，在必要时指定
dtype=tf.float64
，然后其余的张量将得到相同的类型。奇怪-我使用的是tf Hub模块（USE），并且在将输出向量保存为列表时，与转换为numpy数组相比，它具有更高的精度。检索numpy数组后，您可以将其转换为更高的精度（如
.numpy（）.astype（np.float64）
），但这只会给您相同的值，占用两倍的内存。如果您希望以更高的精度计算张量，那么您需要创建这样的张量。创建输入时，在必要时指定
dtype=tf.float64
，然后其余的张量将得到相同的类型。奇怪-我使用的是tf-Hub模块（USE），当将输出向量保存为列表时，它比转换为numpy数组具有更高的精度。@dendog-如果你认为我已经回答了你的问题，请投票并接受答案，谢谢。@dendog-如果你认为我已经回答了你的问题，请投票并接受答案，谢谢。