Python 评估和运行都需要使用吗？

我从这一点上理解了两者之间的区别。 但在大多数在线谈话/代码中，我发现人们都使用以下两种方式：

import tensorflow as tf
a=tf.constant(5.0)
b=tf.constant(6.0)
c=a*b
with tf.Session() as sess:
    print(sess.run(c))
    print(c.eval())

我不理解这样做的必要性和实用性。

在同一个会话中调用

sess.run（c）

和

c.eval（）

，提供完全相同的结果

您可以在代码中混合调用

sess.run

和

.eval（）

，但这会降低代码的一致性

在我看来，最好总是使用

sess.run

，因为在一次调用中，您可以计算多个张量

相反，如果使用

.eval（）

，则只能计算指定的

您可以看到运行此脚本时的性能差异：

import time
import tensorflow as tf

a=tf.constant(5.0)
b=tf.constant(6.0)
c=a*b

start = time.time()
with tf.Session() as sess:
    sess.run([c]*100)
end_run = time.time() - start

start = time.time()
with tf.Session() as sess:
    for _ in range(100):
        c.eval()
end_eval = time.time() - start

print('Run: {}\nEval: {}'.format(end_run, end_eval))

在CPU（英特尔i3）上使用Tensorflow r0.11运行它，会得到以下结果：

Run: 0.009401798248291016
Eval: 0.021142005920410156

如您所见，使用100个元素的列表执行

sess.run

调用要比执行100个

c.eval（）

调用快得多

事实上，Tensorflow只对

sess.run

调用中的

c

张量求值一次，并在需要时重用结果进行其他计算。

在同一会话中调用

sess.run（c）

和

c.eval（）

，提供完全相同的结果

您可以在代码中混合调用

sess.run

和

.eval（）

，但这会降低代码的一致性

在我看来，最好总是使用

sess.run

，因为在一次调用中，您可以计算多个张量

相反，如果使用

.eval（）

，则只能计算指定的

您可以看到运行此脚本时的性能差异：

import time
import tensorflow as tf

a=tf.constant(5.0)
b=tf.constant(6.0)
c=a*b

start = time.time()
with tf.Session() as sess:
    sess.run([c]*100)
end_run = time.time() - start

start = time.time()
with tf.Session() as sess:
    for _ in range(100):
        c.eval()
end_eval = time.time() - start

print('Run: {}\nEval: {}'.format(end_run, end_eval))

在CPU（英特尔i3）上使用Tensorflow r0.11运行它，会得到以下结果：

Run: 0.009401798248291016
Eval: 0.021142005920410156

如您所见，使用100个元素的列表执行

sess.run

调用要比执行100个

c.eval（）

调用快得多

---

事实上，Tensorflow只对

sess.run

调用中的

c

张量进行一次计算，并在需要时重新使用结果进行其他计算。

您的问题的快速答案是否

您只需要

Session.run（）

或

Tensor.eval（）

来计算Tensor对象的值。人们通常使用

Tensor.eval（）

来试验编程模型，即打印出张量值来跟踪流程！比如说,

import tensorflow as tf

a = tf.constant([1, 2], name='a')
b = tf.constant([3, 4], name='b')
c = tf.constant([1, 3], name='c')

d = tf.add_n([a, b])
e = tf.pow(d, c)

printout_d = tf.Print(d, [a, b, d], 'Input for d and the result: ')
printout_e = tf.Print(e, [d, c, e], 'Input for e and the result: ')

with tf.Session() as sess:
    sess.run([d, e])
    printout_d.eval()
    printout_e.eval()

---

在上面的代码中，您只需

sess.run（[d，e]）

即可执行图形。但是，在某些情况下，例如调试，您可以受益于

printout\u d.eval（）

和

printout\u e.eval（）

您的问题的快速答案是否

您只需要

Session.run（）

或

Tensor.eval（）

来计算Tensor对象的值。人们通常使用

Tensor.eval（）

来试验编程模型，即打印出张量值来跟踪流程！比如说,

import tensorflow as tf

a = tf.constant([1, 2], name='a')
b = tf.constant([3, 4], name='b')
c = tf.constant([1, 3], name='c')

d = tf.add_n([a, b])
e = tf.pow(d, c)

printout_d = tf.Print(d, [a, b, d], 'Input for d and the result: ')
printout_e = tf.Print(e, [d, c, e], 'Input for e and the result: ')

with tf.Session() as sess:
    sess.run([d, e])
    printout_d.eval()
    printout_e.eval()

在上面的代码中，您只需

sess.run（[d，e]）

即可执行图形。但是，在某些情况下，例如调试，您可以受益于

printout\u d.eval（）

和

printout\u e.eval（）