您可以使用占位符和feed_dict。

假设我们有如下的numpy数组：

trX = np.linspace(-1, 1, 101) 
trY = 2 * trX + np.random.randn(*trX.shape) * 0.33 

您可以声明两个占位符：

X = tf.placeholder("float") 
Y = tf.placeholder("float")

然后，在模型，成本等中使用以下占位符（X和Y）：model = tf.mul（X，w）... Y ... ...

最后，当您运行模型/成本时，请使用feed_dict输入numpy数组：

with tf.Session() as sess:
.... 
    sess.run(model, feed_dict={X: trY, Y: trY})

您可以使用tf.convert_to_tensor() ：

import tensorflow as tf
import numpy as np

data = [[1,2,3],[4,5,6]]
data_np = np.asarray(data, np.float32)

data_tf = tf.convert_to_tensor(data_np, np.float32)

sess = tf.InteractiveSession()  
print(data_tf.eval())

sess.close()

这是此方法的文档的链接：

https://www.tensorflow.org/api_docs/python/tf/convert_to_tensor

为此 ，您可以使用tf.pack （TensorFlow 1.0.0中的tf.stack ）方法。这是如何将numpy.ndarray类型的随机图像numpy.ndarray到Tensor ：

import numpy as np
import tensorflow as tf
random_image = np.random.randint(0,256, (300,400,3))
random_image_tensor = tf.pack(random_image)
tf.InteractiveSession()
evaluated_tensor = random_image_tensor.eval()

更新：要将Python对象转换为张量，可以使用tf.convert_to_tensor函数。