Answers:
如果您有Tensor
t,则调用t.eval()
等效于tf.get_default_session().run(t)
。
您可以将会话设置为默认会话,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sess.run()
在同一步骤中用来获取许多张量的值:
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eval
和run
都会从头开始执行整个图形。要缓存计算结果,请将其分配给tf.Variable
。
a = tf.constant(2.0) b = tf.constant(3.0) ab = tf.matmul(a, b)
我只是从tensorflow那里抱怨到形状不匹配,我想更准确地说,等级必须至少为2。–
tf.multiply(t, u)
,效果很好。
关于张量流的FAQ会话对完全相同的问题有一个答案。我将继续并将其留在这里:
如果t
为Tensor
对象,t.eval()
则为的简写形式sess.run(t)
(sess
当前的默认会话在哪里。以下两个代码段是等效的:
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,其作用是将其安装为with
块生存期内的默认会话。上下文管理器方法可以为简单的用例(例如单元测试)生成更简洁的代码;如果您的代码涉及多个图形和会话,则显式调用可能更直接Session.run()
。
我建议您至少在整个FAQ中略读一遍,因为它可能会阐明很多事情。
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())
但是Session.run()
可以
print("grad", sess.run(grad))
如果我错了请纠正我
在tensorflow中,您可以创建图并将值传递给该图。Graph会做所有的工作,并根据您在图中进行的配置来生成输出。现在,当您将值传递给图形时,首先需要创建一个tensorflow会话。
tf.Session()
会话初始化后,您应该使用该会话,因为所有变量和设置现在都属于该会话。因此,有两种方法可以将外部值传递给图,以便图接受它们。一种是在使用正在执行的会话时调用.run()。
基本上是该方法的捷径的其他方法是使用.eval()。我说捷径是因为.eval()的完整形式是
tf.get_default_session().run(values)
您可以自己检查。在values.eval()
奔跑的地方tf.get_default_session().run(values)
。您必须得到相同的行为。
eval的操作是使用默认会话,然后执行run()。
Tensorflow 2.x兼容答案:将mrry的代码转换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
tf.Tensor.eval()
和tf.Session.run()
,但连接的tf.Operation.run()
,并tf.Tensor.eval()
在解释这里