blocks|key|4455065|text|如果你有一个Tensor+t，调用t.eval()等同于调用tf.get_default_session().run(t)。|type|unstyled|depth|inlineStyleRanges|offset|length|style|CODE|entityRanges|data|4455066|您可以将会话设为默认会话，如下所示：|4455067|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)|code-block|syntax|javascript|4455068|最重要的区别是，您可以使用sess.run()在同一步骤中获取多个张量的值：|4455069|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|4455070|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。|4455071|entityMap|0|LINK|mutability|MUTABLE|url|https://www.tensorflow.org/api_docs/python/tf/Tensor#eval|1|https://www.tensorflow.org/how_tos/variables/^0|6|6|H|8|U|V|H|8|0|0|0|0|D|A|0|0|5|4|A|3|18|B|18|B|1|0^^$0|@$1|2|3|4|5|6|7|12|8|@$9|13|A|14|B|C]|$9|15|A|16|B|C]|$9|17|A|18|B|C]]|D|@$9|19|A|1A|1|1B]]|E|$]]|$1|F|3|G|5|6|7|1C|8|@]|D|@]|E|$]]|$1|H|3|I|5|J|7|1D|8|@]|D|@]|E|$K|L]]|$1|M|3|N|5|6|7|1E|8|@$9|1F|A|1G|B|C]]|D|@]|E|$]]|$1|O|3|P|5|J|7|1H|8|@]|D|@]|E|$K|L]]|$1|Q|3|R|5|6|7|1I|8|@$9|1J|A|1K|B|C]|$9|1L|A|1M|B|C]|$9|1N|A|1O|B|C]]|D|@$9|1P|A|1Q|1|1R]]|E|$]]|$1|S|3|-4|5|6|7|1S|8|@]|D|@]|E|$]]]|T|$U|$5|V|W|X|E|$Y|Z]]|10|$5|V|W|X|E|$Y|11]]]]

If you have a <code>Tensor</code> t, calling <a href="https://www.tensorflow.org/api_docs/python/tf/Tensor#eval" rel="noreferrer"><code>t.eval()</code></a> is equivalent to calling <code>tf.get_default_session().run(t)</code>.

You can make a session the default as follows:

<pre><code>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)
</code></pre>

The most important difference is that you can use <code>sess.run()</code> to fetch the values of many tensors in the same step:

<pre><code>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
</code></pre>

Note that each call to <code>eval</code> and <code>run</code> will execute the whole graph from scratch. To cache the result of a computation, assign it to a <a href="https://www.tensorflow.org/how_tos/variables/" rel="noreferrer"><code>tf.Variable</code></a>.

blocks|key|4455152|text|eval()无法处理列表对象|type|unstyled|depth|inlineStyleRanges|offset|length|style|CODE|entityRanges|data|4455153|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+%2B+i)+%2B+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())|code-block|syntax|javascript|4455154|但是Session.run()可以|4455155|print("grad",+sess.run(grad))|4455156|如果我错了，请纠正我|4455157|entityMap^0|0|6|0|0|2|D|0|0|0^^$0|@$1|2|3|4|5|6|7|S|8|@$9|T|A|U|B|C]]|D|@]|E|$]]|$1|F|3|G|5|H|7|V|8|@]|D|@]|E|$I|J]]|$1|K|3|L|5|6|7|W|8|@$9|X|A|Y|B|C]]|D|@]|E|$]]|$1|M|3|N|5|H|7|Z|8|@]|D|@]|E|$I|J]]|$1|O|3|P|5|6|7|10|8|@]|D|@]|E|$]]|$1|Q|3|-4|5|6|7|11|8|@]|D|@]|E|$]]]|R|$]]

<code>eval()</code> can not handle the list object

<pre><code>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())
</code></pre>

but <code>Session.run()</code> can

<pre><code>print("grad", sess.run(grad))
</code></pre>

correct me if I am wrong

blocks|key|4455250|text|在tensorflow中，您可以创建图形并将值传递到该图形。graph完成所有的工作，并根据您在图形中所做的配置生成输出。现在，当您将值传递到图形时，首先需要创建一个tensorflow会话。|type|unstyled|depth|inlineStyleRanges|entityRanges|data|4455251|tf.Session()|code-block|syntax|javascript|4455252|一旦会话被初始化，你就应该使用该会话，因为所有的变量和设置现在都是会话的一部分。因此，有两种方法可以将外部值传递给图形，以便图形接受它们。一种方法是在使用正在执行的会话时调用.run()。|4455253|另一种方法是使用.eval()，这基本上是一种捷径。我之所以说快捷方式，是因为.eval()的完整形式是|4455254|tf.get_default_session().run(values)|4455255|你可以自己检查一下。在values.eval()所在位置运行tf.get_default_session().run(values)。您必须获得相同的行为。|offset|length|style|CODE|4455256|eval所做的是使用默认会话，然后执行run()。|4455257|entityMap^0|0|0|0|0|0|B|D|U|10|0|0^^$0|@$1|2|3|4|5|6|7|W|8|@]|9|@]|A|$]]|$1|B|3|C|5|D|7|X|8|@]|9|@]|A|$E|F]]|$1|G|3|H|5|6|7|Y|8|@]|9|@]|A|$]]|$1|I|3|J|5|6|7|Z|8|@]|9|@]|A|$]]|$1|K|3|L|5|D|7|10|8|@]|9|@]|A|$E|F]]|$1|M|3|N|5|6|7|11|8|@$O|12|P|13|Q|R]|$O|14|P|15|Q|R]]|9|@]|A|$]]|$1|S|3|T|5|6|7|16|8|@]|9|@]|A|$]]|$1|U|3|-4|5|6|7|17|8|@]|9|@]|A|$]]]|V|$]]

In tensorflow you create graphs and pass values to that graph. Graph does all the hardwork and generate the output based on the configuration that you have made in the graph.
Now When you pass values to the graph then first you need to create a tensorflow session.

<pre><code>tf.Session()
</code></pre>

Once session is initialized then you are supposed to use that session because all the variables and settings are now part of the session. So, there are two ways to pass external values to the graph so that graph accepts them. One is to call the .run() while you are using the session being executed.

Other way which is basically a shortcut to this is to use .eval(). I said shortcut because the full form of .eval() is 

<pre><code>tf.get_default_session().run(values)
</code></pre>

You can check that yourself.
At the place of <code>values.eval()</code> run <code>tf.get_default_session().run(values)</code>. You must get the same behavior.

what eval is doing is using the default session and then executing run().

TensorFlow has two ways to evaluate part of graph: <code>Session.run</code> on a list of variables and <code>Tensor.eval</code>. Is there a difference between these two?

In TensorFlow, what is the difference between Session.run() and Tensor.eval()?

翻译质量差，导致语言生硬或混乱。

没有提供实际的解决方法或示例。

解答不清晰，无法理解或解决问题。

页面排版不美观，阅读体验差。

文章

问答

视频

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

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

问在TensorFlow中，Session.run()和Tensor.eval()有什么区别？
EN

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问在TensorFlow中，Session.run()和Tensor.eval()有什么区别？EN

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问在TensorFlow中，Session.run()和Tensor.eval()有什么区别？
EN