Session.run()和Tensor.eval()的区别

1、官方文档的解释

官方文档 中显示如下：

图中翻译如下：

第一段：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：

第二段：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。

简单点说就是：你可以使用sess.run()在同一步获取多个tensor中的值，使用Tensor.eval()时只能在同一步当中获取一个tensor值，并且每次使用 eval 和 run时，都会执行整个计算图。

2.Stack Overflow上面的解释

同时我查阅了Stack Overflow上面人们对这个问题的解释：可以贴在下面加深理解。 

原问题链接：  

http://stackoverflow.com/questions/33610685/in-tensorflow-what-is-the-difference-between-session-run-and-tensor-eval

Question：  

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

Answer：  

If you have a Tensor t, calling t.eval() is equivalent to calling tf.get_default_session().run(t). 

You can make a session the default as follows:

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)

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 .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

Note that each call to eval and run will execute the whole graph from scratch. To cache the result of a computation, assign it to a tf.Variable.

翻译如下:

问题： 

tensorflow有两种方式：Session.run和 Tensor.eval，这两者的区别在哪？ 

答： 

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。