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?
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
。
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。
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
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。
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
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()。