tensorflow python 区别_Tensorflow：.run()和.eval()区别

Tensorflow：.run()和.eval()区别

eval() 其实就是tf.Tensor的Session.run() 的另外一种写法，但两者有差别

1.eval(): 将字符串string对象转化为有效的表达式参与求值运算返回计算结果

2.eval()也是启动计算的一种方式。基于Tensorflow的基本原理，首先需要定义图，然后计算图，其中计算图的函数常见的有run()函数，如sess.run()。同样eval()也是此类函数，

3.要注意的是，eval()只能用于tf.Tensor类对象，也就是有输出的Operation。对于没有输出的Operation, 可以用.run()或者Session.run()；Session.run()没有这个限制。

Tensor.run和Tensor.eval的区别

在会话中需要运行节点，会碰到两种方式：Session.run()和Tensor.eval()

解释一

1.如果t是一个tf.Tensor对象，则tf.Tensor.eval是tf.Session.run的缩写(其中sess是当前的tf.get_default_session。下面的两个代码片段是等价的：

2.在第二个示例中，会话充当上下文管理器，其作用是将其安装为with块的生命周期的默认会话。 上下文管理器方法可以为简单用例(比如单元测试)提供更简洁的代码; 如果您的代码处理多个图形和会话，则可以更直接地对Session.run()进行显式调用。

解释二

如果你有一个Tensor t，在使用t.eval()时，等价于：tf.get_default_session().run(t).

举例：

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)

这其中最主要的区别就在于你可以使用sess.run()在同一步获取多个tensor中的值，

例如：

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

注意到：每次使用 eval 和 run时，都会执行整个计算图，为了获取计算的结果，将它分配给tf.Variable，然后获取。