如果你有一个张量t，调用t.e eval()等价于调用tf.get_default_session().run(t)。

设置会话为默认会话的方法如下:

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)

最重要的区别是你可以使用sess.run()在同一步骤中获取多个张量的值:

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

注意，对eval和run的每次调用都将从头执行整个图。要缓存计算结果，将其赋值给tf.Variable。

关于张量流的常见问题解答有一个完全相同的问题的答案。我把它放在这里

如果t是一个张量对象，t.e eval()是sess.run(t)的简写(其中sess是当前默认会话。下面两个代码段是等价的:

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，其效果是在with块的生命周期内将其安装为默认会话。上下文管理器方法可以为简单的用例(如单元测试)提供更简洁的代码;如果你的代码处理多个图和会话，显式调用Session.run()可能会更直接。

我建议你至少浏览一下整个FAQ，因为它可能会澄清很多事情。

Eval()不能处理列表对象

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())

但是Session.run()可以

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

如果我错了，请指正

在tensorflow中，您可以创建图并将值传递给该图。Graph完成所有的艰苦工作，并根据您在图中所做的配置生成输出。 现在，当你向图传递值时，首先你需要创建一个tensorflow会话。

tf.Session()

一旦会话初始化，您就应该使用该会话，因为所有变量和设置现在都是会话的一部分。有两种方法将外部值传递给图形，让图形接受它们。一种方法是在使用正在执行的会话时调用.run()。

另一种基本的快捷方式是使用.eval()。我之所以说快捷方式是因为.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()的位置运行tf.get_default_session().run(values)。你必须得到相同的行为。

eval所做的是使用默认会话，然后执行run()。

最重要的是要记住:

从TenorFlow获得常量、变量(任何结果)的唯一方法是会话。

知道这一点很容易:

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

我还将在这里概述tf.Operation.run()方法:

图在会话中启动后，可以通过将其传递给tf.Session.run()来执行操作。op.run()是调用tf.get_default_session().run(op)的快捷方式。

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

!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