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:Session.run在变量列表和Tensor.eval.这两者有区别吗？

Answer 1

如果你有一个Tensort,呼叫t.eval()等同于呼叫tf.get_default_session().run(t).

您可以将会话设置为默认值,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sess.run()在同一步骤中使用获取许多张量的值:

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并将run从头开始执行整个图形.要缓存计算结果,请将其分配给a tf.Variable.

Answer 2

关于张量流的FAQ会话对完全相同的问题有一个答案.我会继续把它留在这里:

如果t是Tensor对象,t.eval()则是sess.run(t)((sess当前默认会话的位置)的简写.以下两段代码是等效的:

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,会话充当上下文管理器,其具有将其安装为with块的生存期的默认会话的效果.上下文管理器方法可以为简单的用例(如单元测试)提供更简洁的代码; 如果您的代码处理多个图形和会话,则显式调用可能更直接with.

我建议你至少浏览整个FAQ,因为它可能会澄清很多东西.