Python 将TensorFlow张量转换为numpy，然后再将值赋给神经网络

我在和一家公司合作。我需要通过添加一个函数来修改其中一个神经网络，该函数将获取该神经网络的输出，对其进行分析，并对其进行惩罚。所以我的损失函数看起来像：

self.g_loss = self.g_loss + self.penalty

问题是

• 这个惩罚函数只将numpy数组作为输入（我没有办法修改它）

• 神经网络输出是一个tf张量

• 由于这些值还没有分配给神经网络（技术上它还没有建立），我既不能运行

  .eval（）

  也不能运行

  sess.run（）

---

那么，在这种情况下，如何将tensorflow张量转换为numpy数组呢？

tensorflow具有

tf.py\u func

for。但是，您不能使用此损失函数来训练网络，因为Tensorflow不会自动区分numpy代码

你真幸运。如果您使用它，那么在另一个

tf.pyfunc

调用中，您可以得到渐变，然后您可以使用渐变

---

下面是一个例子，说明如何在中完成这一切。

如果你希望训练你的神经网络，你还需要为你的惩罚提供一个梯度。如果你有它，你可能需要添加一个自定义操作到tensorflow来处理这个…谢谢你的回复。目前我正在使用

g\u optim=tf.train.AdamOptimizer（config.learning\u rate，beta1=config.beta1）\.最小化（self.g\u损耗，var\u list=self.g\u vars）

作为我的优化工具。我如何为我的全部（或至少是tf部分）损失保留该值？同时运行tf-autograd.py会抛出以下错误：

InvalidArgumentError（回溯请参见上文）：pyfunc_1返回的第0个值是double，但需要float[[Node:pyfunc_1=pyfunc[Tin=[DT_double]，Tout=[DT_float]，token=“pyfunc_1”，\u设备=“/job:localhost/replica:0/task:0/cpu:0”]（变量/read/_3）]]

。您是否在gpu上运行此功能？在这种情况下，Tensorflow默认为float32，而numpy默认为float64。是的，我在gpu上运行，如何解决此差异？我已经更新了要点，以便它能在带有gpu的系统上运行，但我唯一能让它工作的方法是强制执行

float32

和

cpu

几乎所有设备的使用重新。