220

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？

4

6 回答 6

249

如果你有一个Tensort，callingt.eval()就相当于 call 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使用sess.run()在同一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evalandrun都会从头开始执行整个图表。要缓存计算结果，请将其分配给tf.Variable.

于 2015-11-09T14:05:45.853 回答
44

张量流的常见问题解答会议对完全相同的问题有答案。我将继续并将其留在这里：

Ift是一个Tensor对象，t.eval()是sess.run(t)(where sessis the current default session) 的简写。以下两个代码片段是等价的：

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，会话充当上下文管理器，其效果是将其安装为with块生命周期的默认会话。上下文管理器方法可以为简单的用例（如单元测试）带来更简洁的代码；如果您的代码处理多个图形和会话，则显式调用Session.run().

我建议您至少浏览整个常见问题解答，因为它可能会澄清很多事情。

于 2015-11-12T07:28:42.570 回答
2

eval()无法处理列表对象

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(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())

但Session.run()可以

print("grad", sess.run(grad))

如果我错了，请纠正我

于 2017-10-17T17:31:19.243 回答
1

要记住的最重要的事情：

从 TenorFlow 获取常量、变量（任何结果）的唯一方法是会话。

知道这一点很容易：

两者tf.Session.run()并tf.Tensor.eval()从会话中获取结果，其中tf.Tensor.eval()是调用的快捷方式tf.get_default_session().run(t)

我还将tf.Operation.run()在此处概述该方法：

在会话中启动图表后，可以通过将操作传递给 来执行操作tf.Session.run()。op.run()是调用的快捷方式tf.get_default_session().run(op)。

于 2019-01-21T19:43:16.073 回答
1

Tensorflow 2.x 兼容答案Tensorflow 2.x (>= 2.0)：为了社区的利益，将 mrry 的代码转换为。

!pip install tensorflow==2.1
import tensorflow as tf

tf.compat.v1.disable_eager_execution()    

t = tf.constant(42.0)
sess = tf.compat.v1.Session()
with sess.as_default():   # or `with sess:` to close on exit
    assert sess is tf.compat.v1.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.multiply(t, u)
ut = tf.multiply(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
于 2020-02-20T10:17:10.993 回答
0

在 tensorflow 中，您可以创建图表并将值传递给该图表。Graph 会根据您在图中所做的配置完成所有工作并生成输出。现在，当您将值传递给图形时，首先您需要创建一个 tensorflow 会话。

tf.Session()

初始化会话后，您应该使用该会话，因为所有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。一种是在使用正在执行的会话时调用 .run() 。

其他基本上是捷径的方法是使用 .eval()。我说快捷方式是因为 .eval() 的完整形式是

tf.get_default_session().run(values)

你可以自己检查一下。在values.eval()跑的地方tf.get_default_session().run(values)。您必须获得相同的行为。

eval 正在做的是使用默认会话，然后执行 run()。

于 2018-08-30T11:39:07.640 回答