Python 如何将tensorflow placerholder变量转换为numpy数组？

我想在tensorflow代码中使用scipy插值函数

下面是与我的情况类似的示例片段

import tensorflow as tf
from scipy import interpolate

def interpolate1D(Xval,Fval,inp): 
    Xval = np.array(Xval)
    Fval = np.array(Fval)
    f = interpolate.interp1d(Xval, Fval, fill_value="extrapolate")
    z = f(inp)
    return z

properties = {
    'xval': [200,400,600,800,1100],
    'fval': [100.0,121.6,136.2,155.3,171.0]
}

tensor = tf.placeholder("float")

interpolate = interpolate1D(properties['xval'],properties['fval'], tensor)

一旦我得到

interpolate

我将使用

tf将其转换为张量。convert\u to_tensor（interpolate）

这里

interpolate.interp1d

只是一个例子。我将使用其他插值方法，这些方法的输出将被输入到另一个神经元

我知道，

占位符

是空变量，所以从技术上讲，不可能转换为numpy数组。此外，我不能在tensorflow图之外使用此插值函数，因为在某些情况下，我需要使用神经网络的输出作为插值函数的输入

总的来说，我想在张量图中使用scipy插值函数。

您可以在图中使用scipy函数，但更好的选择是在TensorFlow中实现插值。库中没有现成的函数，但实现起来并不困难

import tensorflow as tf

# Assumes Xval is sorted
def interpolate1D(Xval, Fval, inp):
    # Make sure input values are tensors
    Xval = tf.convert_to_tensor(Xval)
    Fval = tf.convert_to_tensor(Fval)
    inp = tf.convert_to_tensor(inp)
    # Find the interpolation indices
    c = tf.count_nonzero(tf.expand_dims(inp, axis=-1) >= Xval, axis=-1)
    idx0 = tf.maximum(c - 1, 0)
    idx1 = tf.minimum(c, tf.size(Xval, out_type=c.dtype) - 1)
    # Get interpolation X and Y values
    x0 = tf.gather(Xval, idx0)
    x1 = tf.gather(Xval, idx1)
    f0 = tf.gather(Fval, idx0)
    f1 = tf.gather(Fval, idx1)
    # Compute interpolation coefficient
    x_diff = x1 - x0
    alpha = (inp - x0) / tf.where(x_diff > 0, x_diff, tf.ones_like(x_diff))
    alpha = tf.clip_by_value(alpha, 0, 1)
    # Compute interpolation
    return f0 * (1 - alpha) + f1 * alpha

properties = {
    'xval': [200.0, 400.0, 600.0, 800.0, 1100.0],
    'fval': [100.0, 121.6, 136.2, 155.3, 171.0]
}

with tf.Graph().as_default(), tf.Session() as sess:
    tensor = tf.placeholder("float")
    interpolate = interpolate1D(properties['xval'], properties['fval'], tensor)
    print(sess.run(interpolate, feed_dict={tensor: [40.0, 530.0, 800.0, 1200.0]}))
    # [100.   131.09 155.3  171.  ]

---

这个问题的预期答案是使用

tf.py_func

，感谢@jdehesa提到这一点

对于希望获得此问题解决方案的用户，请参见下文

import tensorflow as tf
import numpy as np
from scipy import interpolate

properties = {
    'xval': [200,400,600,800,1100],
    'fval': [100.0,121.6,136.2,155.3,171.0]
}

Xval = np.array(properties['xval'])
Fval = np.array(properties['fval'])
f = interpolate.interp1d(Xval, Fval, fill_value="extrapolate")

def comp(x):
    return np.float32(f(x))

tensor = tf.placeholder("float32")
interpolate = tf.py_func(comp, [tensor], tf.float32)

with tf.Session() as sess:
    print(sess.run(interpolate, feed_dict = {tensor: [230]}))