在TensorFlow中，Session.run()和Tensor.eval()之间有什么区别

Question

TensorFlow有两种方法来评估图的一部分：变量列表上的Session.run和Tensor.eval。这两者之间有区别吗？

Answer 1

如果您有一个Tensor t，那么调用t.eval()相当于调用tf.get_default_session().run(t)。

您可以将会话设置为默认会话，如下所示：

t = tf.constant(42.0)
sess = tf.Session()
with sess.as_default():   # or `with sess:` to close on exit
    assert sess is tf.get_default_session()
    assert t.eval() == sess.run(t)

最重要的区别是，您可以使用sess.run()在同一步骤中获取许多张量的值：

t = tf.constant(42.0)
u = tf.constant(37.0)
tu = tf.mul(t, u)
ut = tf.mul(u, t)
with sess.as_default():
   tu.eval()  # runs one step
   ut.eval()  # runs one step
   sess.run([tu, ut])  # evaluates both tensors in a single step

请注意，对eval和run的每次调用都将从头开始执行整个图。要缓存计算结果，请将其分配给tf.Variable。

Answer 2

张量流的FAQ会话有一个完全相同的问题的答案。我会继续，把它留在这里：

---

如果t是Tensor对象，则t.eval()是sess.run(t)的简写（其中sess是当前默认会话

sess = tf.Session()
c = tf.constant(5.0)
print sess.run(c)
c = tf.constant(5.0)
with tf.Session():
  print c.eval()

在第二个示例中，会话充当上下文管理器，其效果是在with块的生存期内将其安装为默认会话。上下文管理器方法可以为简单用例（如单元测试）生成更简洁的代码；如果您的代码处理多个图和会话，那么显式调用Session.run()可能更简单。

我建议你至少浏览一下整个常见问题解答，因为它可能会澄清很多事情。

Answer 3

eval()无法处理列表对象

tf.reset_default_graph()
a = tf.Variable(0.2, name="a")
b = tf.Variable(0.3, name="b")
z = tf.constant(0.0, name="z0")
for i in range(100):
    z = a * tf.cos(z + i) + z * tf.sin(b - i)
grad = tf.gradients(z, [a, b])
init = tf.global_variables_initializer()
with tf.Session() as sess:
    init.run()
    print("z:", z.eval())
    print("grad", grad.eval())

但Session.run()可以

print("grad", sess.run(grad))

如果我的错误，请纠正我

Answer 4

要记住的最重要的事情：

从TenorFlow获取常量、变量（任何结果）的唯一方法是会话

知道这一点其他一切都很容易：

tf.Session.run()和tf.Tensor.eval()都从会话中得到结果，其中tf.Tensor.eval()是调用tf.get_default_session().run(t) 的快捷方式

---

我还将在这里概述方法tf.Operation.run()：

在会话中启动图形后，可以通过将其传递给tf.Session.run()来执行操作。CCD_ 25是调用CCD_ 26的快捷方式。

Answer 5

Tensorflow 2.x兼容答案：将mrry的代码转换为Tensorflow 2.x (>= 2.0)以造福社区。

!pip install tensorflow==2.1
import tensorflow as tf
tf.compat.v1.disable_eager_execution()    
t = tf.constant(42.0)
sess = tf.compat.v1.Session()
with sess.as_default():   # or `with sess:` to close on exit
    assert sess is tf.compat.v1.get_default_session()
    assert t.eval() == sess.run(t)
#The most important difference is that you can use sess.run() to fetch the values of many tensors in the same step:
t = tf.constant(42.0)
u = tf.constant(37.0)
tu = tf.multiply(t, u)
ut = tf.multiply(u, t)
with sess.as_default():
   tu.eval()  # runs one step
   ut.eval()  # runs one step
   sess.run([tu, ut])  # evaluates both tensors in a single step

Answer 6

在tensorflow中，您可以创建图并将值传递给该图。Graph完成所有的硬件工作，并根据您在图中所做的配置生成输出。现在，当您将值传递给图形时，首先需要创建一个tensorflow会话。

tf.Session()

一旦初始化了会话，就应该使用该会话，因为所有变量和设置现在都是会话的一部分。所以，有两种方法可以将外部值传递给图，以便图接受它们。一种是在使用正在执行的会话时调用.run（）。

另一种基本上是快捷方式的方法是使用.eval（）。我之所以说快捷方式，是因为.eval（的完整形式是

tf.get_default_session().run(values)

你可以自己检查一下。在values.eval()处运行tf.get_default_session().run(values)。你必须有同样的行为。

eval所做的是使用默认会话，然后执行run（）。