此函数将各种类型的 Python 对象转换为 Tensor 对象.它接受 Tensor 对象,numpy 数组,Python 列表和 Python 标量
convert_to_tensor ( value , dtype = None , name = None , preferred_dtype = None )
import numpy as np def my_func(arg): arg = tf.convert_to_tensor(arg, dtype=tf.float32) return tf.matmul(arg, arg) + arg # The following calls are equivalent. value_1 = my_func(tf.constant([[1.0, 2.0], [3.0, 4.0]])) value_2 = my_func([[1.0, 2.0], [3.0, 4.0]]) value_3 = my_func(np.array([[1.0, 2.0], [3.0, 4.0]], dtype=np.float32))
ARGS：
- value：其类型具有已注册的张量转换函数的对象.
- dtype：返回的张量的可选元素类型.如果缺少该类型, 则将从值的类型中推断出.
- name：创建新的张量时要使用的可选名称.
- preferred_dtype：返回张量的可选元素类型, 当 dtype 为 None 时使用.在某些情况下,调用方在转换为张量时可能没有 dtype,因此 preferred_dtype 可以作为软首选项使用.如果转换为 preferred_dtype 是不可行的,则此参数无效.
返回：
返回基于值的输出.
注意：
- TypeError：如果没有为值注册转换函数.
- RuntimeError：如果注册的转换函数返回无效值.
TensorFlow将给定的对象转换为张量或IndexedSlices
tf.convert_to_tensor_or_indexed_slices
convert_to_tensor_or_indexed_slices ( value , dtype = None , name = None )
将给定的对象转换为张量或 IndexedSlices.
如果值为 IndexedSlices 或 SparseTensor,则将其原封不动地返回.否则,它将转换为使用 convert_to_tensor () 的张量.
ARGS：
- value：可由 convert_to_tensor () 使用的 IndexedSlices、SparseTensor 或对象.
- dtype：(可选)返回的张量或 IndexedSlices 所需的 DType.
- name：(可选)创建新的张量时要使用的名称.
返回：
基于值的张量、IndexedSlices 或 SparseTensor.
注意：
- ValueError： 如果 dtype 与值的元素类型不匹配.
TensorFlow将值转换为SparseTensor或张量
tf.convert_to_tensor_or_sparse_tensor
该函数别名：
- tf.contrib.framework.convert_to_tensor_or_sparse_tensor
- tf.convert_to_tensor_or_sparse_tensor
convert_to_tensor_or_sparse_tensor ( value , dtype = None , name = None )
ARGS：
- value：A SparseTensor,SparseTensorValue或其类型具有注册Tensor转换功能的对象.SparseTensor、SparseTensorValue 或其类型具有已注册的张量转换函数的对象.
- dtype：返回张量的可选元素类型.如果缺少该类型,则将从值的类型中推断出.
- name：创建新的张量时要使用的可选名称.
返回：
返回基于值的 SparseTensor 或张量.
注意：
RuntimeError： 如果结果类型与 dtype 不兼容.
tensorflow 中tensor与数组之间的转换
主要是两个方法： 1.数组转tensor:数组a, tensor_a=tf.convert_to_tensor(a) 2.tensor转数组：tensor b, array_b=b.eval()
import tensorflow as tf
import numpy as np
a=np.array([[1,2,3],[4,5,6],[7,8,9]])
print (a)
b=tf.constant(a)
with tf.Session() as sess:
print (b)
for x in b.eval(): #b.eval()就得到tensor的数组形式
print (x)
print ('a是数组',a)
tensor_a=tf.convert_to_tensor(a)
print ('现在转换为tensor了...',tensor_a)
1.1 list 转 numpy
ndarray = np.array(list)
1.2 numpy 转 list
list = ndarray.tolist()
2.1 list 转 torch.Tensor
tensor=torch.Tensor(list)
2.2 torch.Tensor 转 list
先转numpy，后转list
list = tensor.numpy().tolist()
3.1 torch.Tensor 转 numpy
ndarray = tensor.numpy()
*gpu上的tensor不能直接转为numpy
ndarray = tensor.cpu().numpy()
3.2 numpy 转 torch.Tensor
tensor = torch.from_numpy(ndarray)
在我们使用TensorFlow进行深度学习训练时，很多时候都是与Numpy数据打招呼，例如我们csv或者照片数据等。
但是我们都知道，TensorFlow训练时都是使用Tensor来存储变量的，并且网络输出的结果也是Tensor。
一般情况下我们不会感受到Numpy与Tensor之间的区别，因为TensorFlow网络在输入Numpy数据时会自动转换为Tensor来处理。
但是在输出网络时，输出的结果仍为Tensor，当我们要用这些结果去执行只能由Numpy数据来执行的操作时就会出现莫名其妙的错误。
numpy与tensor数据相互转化：
*Numpy2Tensor
虽然TensorFlow网络在输入Numpy数据时会自动转换为Tensor来处理，但是我们自己也可以去显式的转换：
data_tensor= tf.convert_to_tensor(data_numpy)
*Tensor2Numpy
当我们要用这些结果去执行只能由Numpy数据来执行的操作时就会出现莫名其妙的错误。解决方法：
data_numpy = data_tensor.eval()----------------注意这里是t f2的用法，如果tf1.x就需要在前面加上with tf.Session() as sess: