在TensorFlow中，Session.run（）和Tensor.eval（）有什么区别？
TensorFlow有两种方法来评估graphics的一部分：在variables列表和Tensor.eval上的Session.run 。 这两者有什么区别？
如果你有一个Tensor t，调用t.eval()相当于调用tf.get_default_session().run(t) 。
您可以按如下方式将会话设置为默认会话：
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()在相同的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，每次调用eval并run将从头开始执行整个graphics。 要caching计算结果，请将其分配给tf.Variable 。
关于张量stream程的常见问题解答有一个完全相同的问题的答案 。 我会继续前进，并把它留在这里：
如果t是一个Tensor对象， t.eval()是sess.run(t)简写（其中sess是当前的默认会话，下面的两个代码段是等价的：
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pipe理器，其作用是将其安装为with块的生命周期的默认会话。 上下文pipe理器方法可以为简单用例（比如unit testing）提供更简洁的代码; 如果您的代码处理多个图表和会话，则可以更直接地显式调用Session.run() 。
我build议你至less在整个FAQ中都略读，因为它可能会澄清很多事情。
eval（）不能处理列表对象
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(bi) 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())
但是Session.run（）可以
print("grad",sess.run(grad))
纠正我，如果我错了
