ошибка при преобразовании тензора в массив numpy

Просто добавляя (или развивая) то, что сказал @MatiasValdenegro,

TensorFlow следует тому, что называется выполнением графа (или определением, затем запуском). Другими словами, когда вы пишете программу TensorFlow, она определяет то, что называется графом потока данных, который показывает, как определенные вами операции связаны друг с другом. А затем вы выполняете фрагменты этого графика в зависимости от результатов, которые вам нужны.

Рассмотрим два примера. (Я переключаюсь на простую программу TensorFlow вместо битов Keras, так как это проясняет ситуацию - ведь K.get_session() возвращает объект Session).

Пример 1

Скажем, у вас есть следующая программа.

import tensorflow as tf

a = tf.placeholder(shape=[2,2], dtype=tf.float32)
b = tf.constant(1, dtype=tf.float32)
c = a * b

# Wrong: This is what you're doing essentially when you do sess.run(input_image)
with tf.Session() as sess:
    print(sess.run(c))

# Right: You need to feed values that c is dependent on
with tf.Session() as sess:
    print(sess.run(c, feed_dict={a: np.array([[1,2],[2,3]])}))

Всякий раз, когда результирующий тензор (например, c) зависит от placeholder, вы не можете выполнить его и получить результат без передачи значений всем зависимым заполнителям.

Пример 2

Когда вы определяете tf.constant(1), это ни от чего не зависит. Другими словами, вам не нужен feed_dict, и вы можете напрямую запускать на нем eval() или sess.run().

Обновление: дальнейшее объяснение того, почему вам нужен feed_dict для input_image

TLDR: вам нужен feed_dict, потому что ваш результирующий Tensor создается слоем Input.

Ваш input_image в основном является результирующим тензором, который вы получаете, вводя что-то в слой Input. Обычно в Keras вы не видите детали внутреннего уровня заполнителя. Но вы бы сделали это, используя model.fit() или model.evaluate(). Вы можете видеть, что слой Keras Input фактически использует заполнитель, анализируя эта строка.

Надеюсь, я ясно объяснил, что вам нужно вводить значение в заполнитель, чтобы успешно оценить выходные данные слоя Input. Потому что это в основном содержит заполнитель.

Обновление 2. Как передать данные слою Input

Итак, вы можете использовать feed_dict со слоем Keras Input следующим образом. Вместо определения аргумента shape вы сразу передаете заполнитель аргументу tensor, что позволит обойти внутреннее создание заполнителя в слое.

from tensorflow.keras.layers import InputLayer
import numpy as np
import tensorflow.keras.backend as K

x = tf.placeholder(shape=[None, None, None, 3], dtype=tf.float32)
input_image = Input(tensor=x)
arr = np.array([[[[1,1,1]]]])
print(arr.shape)
print(K.get_session().run(input_image, feed_dict={x: arr}))

Не существует такой вещи, как «преобразование» символического тензора в массив numpy, поскольку последний не может содержать ту же информацию, что и первый.

Когда вы используете eval() или session.run(), вы вычисляете символьное выражение для получения числового результата, который представляет собой пустой массив, но это не преобразование. Вычисление выражения может потребовать или не потребовать дополнительных входных данных (для этого используется feed_dict), в зависимости от выражения.

Для оценки константы (tf.constant) не требуются какие-либо входные данные, но для оценки вашего другого выражения требуются входные данные, поэтому вы не можете «преобразовать» это в массив numpy.