Python 澄清tf.Session（）作用域TensorFlow

我有一个python程序，在其中我定义了一个网络，像往常一样，我在一个函数中对它进行训练

with tf.Session() as sess:
...
for epoch in xrange(num_epochs):
...
for n in xrange(num_batches):
       _, c = sess.run([optimizer, loss], feed_dict={....

在损失函数中，我需要做很多工作才能得到损失，特别是，我必须取张量中的最大值，并用它来做一些事情。这里有一个例子

values = tf.constant([0, 1, 2, 0, 2], dtype=tf.float32)
max_values = tf.reduce_max(values) # Tensor...
...

在

max\u values

行中，如果我使用debug，它会说它是张量，而不是值，因此如果我以这种方式更改代码，并将会话传递到在前一段代码中创建的函数

values = tf.constant([0, 1, 2, 0, 2], dtype=tf.float32)
max_values = sess.run(tf.reduce_max(values)) # 2.0
...

它起作用了。但是这个损失函数已经在会话的范围内了，所以我的问题是为什么结果是张量而不是数字？是否有一种方法可以在不将会话传递给丢失函数的情况下获取值？

根据：

TensorFlow使用tf.Session类表示 客户机程序——通常是Python程序，尽管类似 接口可以用其他语言提供，也可以使用C++运行时。 这意味着当您执行

values=tf.constant（[0,1,2,0,2]，dtype=tf.float32）

时，您只需将一个节点插入到tensorflow图中！由于Python是一个低级C++运行时的高级API，所以实际上需要一个会话来在这个低级运行时评估Python代码。 这就是为什么每次需要计算或计算Tensorflow变量/方法/常量/等时，都需要在会话中使用

tf.Session（）.run（yournode）

我希望它有助于使用Tensor.eval（）函数将张量转换为其值。 在下面的示例中，可以获得最大值张量的值

def loss():
  values = tf.constant([0, 1, 2, 0, 2], dtype=tf.float32)
  max_values = tf.reduce_max(values)
  print (max_values.eval())

with tf.Session() as sess:
  loss()

如果在会话范围外调用loss（），则会出现错误

---

您还可以使用即时执行模式

好吧，那就没有办法了