没有将符号张量“转换”为 numpy 数组之类的事情，因为后者无法保存与前者相同类型的信息。

当您使用 eval() 或 session.run() 时，您正在做的是 评估 符号表达式以获得数值结果，该结果是一个 numpy 数组，但这不是 转换 。评估表达式可能需要也可能不需要额外的输入数据（这就是 feed_dict 的用途），具体取决于表达式。

评估常量（ tf.constant ）不需要任何输入数据，但评估其他表达式确实需要输入数据，因此您无法将其“转换”为 numpy 数组。

只是补充（或详细说明）@MatiasValdenegro 所说的内容，

TensorFlow 遵循所谓的图形执行（或定义然后运行）。换句话说，当您编写 TensorFlow 程序时，它会定义一个称为数据流图的东西，它显示了您定义的操作是如何相互关联的。然后，您可以根据所追求的结果执行该图的片段。

让我们考虑两个例子。 （我正在切换到一个简单的 TensorFlow 程序而不是 Keras 位，因为它使事情变得更清晰 - 毕竟 K.get_session() 返回一个 Session 对象）。

示例 1

假设您有以下程序。

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]])}))

每当结果张量（例如 c ）依赖于 占位符 时，您都无法执行它并获取结果，而无需将值提供给 所有 依赖的占位符。

示例 2

当您定义 tf.constant(1) 时，它不依赖于任何东西。换句话说，您不需要 feed_dict ，可以直接在其上运行 eval() 或 sess.run() 。

更新：进一步解释为什么需要为 input_image 使用 feed_dict>

TLDR：您需要 feed_dict，因为生成的 Tensor 是由 Input 层生成的。

您的 input_image 基本上是通过将某些内容提供给 Input 层而获得的结果张量。通常在 Keras 中，您不会接触到内部占位符级别的详细信息。但您可以使用 model.fit() 或 model.evaluate() 来实现这一点。通过分析 此行 ，您可以看到 Keras Input 层实际上使用了占位符。

希望我的观点清楚，您 确实 需要向占位符输入一个值，才能成功评估 Input 层的输出。因为这基本上保存了一个占位符。

更新 2：如何输入到您的 Input 层

因此，似乎您可以按照以下方式将 feed_dict 与 Keras Input 层结合使用。您无需定义 shape 参数，而是直接将占位符传递给 tensor 参数，这将绕过层中的内部占位符创建。

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}))