Python 什么'；从tensorflow中的张量中检索值的最快方法是什么？

我现在要做的是从1 X 1的张量中得到一个值，我有近6000个

到目前为止，我已经尝试使用eval（），session（）。我能想到的最好办法就是把张量改成numpy，从中得到值。但问题是它的速度非常慢，尤其是在处理大量数据时。有没有从张量中检索数据的快速方法

只是为了补充信息，这是我试图实现的代码部分

cross_IF = []
count = 0
for i in range(len(test_IF)):
  if (count % 100 == 0):
    print(count)
  count += 1
  c = keras.losses.categorical_crossentropy(test_IF[i], prediction_IF[i])
  element = keras.backend.eval(tf.reduce_sum(c))
  cross_IF.append(element)

cross_IF是我将用于从张量'tf.reduce_sum（c）'中叠加值的列表。

---

test_IF和prediction_IF是测试值和预测值。

为了社区的利益，在回答部分提供解决方案

问题是使用

分类交叉熵

会产生

张量

，而不是

numpy

将

categorical\u crossentropy

转换为

numpy

格式，然后将其附加到numpy列表中需要更多的时间

---

相反，将数据的所有

交叉熵

连接为

张量

形式，然后在端将其转换为

numpy

，这样做更快

如果[i]/

预测，每个
测试的形状是什么？您可能应该连接列表中的所有张量（如果您首先不能将列表作为张量），并同时计算所有张量的
分类交叉熵。如果需要，您可以稍后再次将生成的NumPy数组转换为列表。实际上，我在代码中修复了这个问题。每一个都是（253,24）和（69,24），我有几千个。问题是，使用分类交叉熵会产生张量，而不是numpy。所以我尝试将交叉熵转换为numpy格式，然后将其附加到numpy列表中。但是，相反，将数据的所有交叉熵作为张量形式连接起来，然后在最后将其转换为numpy，这样做会更快。我想在做事的顺序上犯了一个可怕的错误。