是否需要同时使用 eval 和 run？答案

【问题标题】：Is necessary to use to both eval and run?是否需要同时使用 eval 和 run？
【发布时间】：2017-02-28 21:08:21
【问题描述】：

我从这个answer 了解了两者之间的区别。但在大多数在线谈话/代码中，我发现人们使用以下两种方法：

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())

我不明白这样做的必要性和实用性。

【问题讨论】：

标签： python tensorflow

【解决方案1】：

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<tensor>.eval()，但这会使您的代码不太一致。

在我看来，最好总是使用sess.run，因为在一次调用中您可以评估多个张量。

相反，如果您使用<tensor>.eval()，您可以仅评估指定的<tensor>。

您可以看到运行此脚本的性能差异：

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 (Intel 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，执行包含 100 个元素的列表的 sess.run 调用要比执行 100 个 c.eval() 调用快得多。

事实上，Tensorflow 只在 sess.run 调用中评估一次 c 张量，并在需要时重用结果进行其他计算。

【讨论】：

【解决方案2】：

您的问题的快速回答是否。

您只需要Session.run() 或Tensor.eval() 即可评估张量对象的值。人们通常使用Tensor.eval()来试验编程模型，即打印出张量的值来跟踪流程！例如，

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，您可以只需要sess.run([d, e]) 来执行图形。但是，在某些情况下，例如调试，您可以从printout_d.eval() 和printout_e.eval() 中受益。

【讨论】：