tf.Session（）和tf.InteractiveSession（）有什么区别？

在这种情况下，应tf.Session()与tf.InteractiveSession()被认为是出于什么目的？

当我尝试使用前一个功能时，某些功能（例如.eval()）无法使用，而当我更改为后一个功能时，则可以使用。

主要来自官方文档：

与常规会话的唯一区别在于，InteractiveSession将自身安装为构造时的默认会话。Tensor.eval（）和Operation.run（）方法将使用该会话运行操作。

这样就可以使用交互式上下文（例如shell），因为它避免了传递显式Session对象来运行op的麻烦：

sess = tf.InteractiveSession()
a = tf.constant(5.0)
b = tf.constant(6.0)
c = a * b
# We can just use 'c.eval()' without passing 'sess'
print(c.eval())
sess.close()

还可以说，它InteractiveSession支持更少的类型输入，因为它允许运行变量而无需不断引用会话对象。

Session和之间的唯一区别InteractiveSession是，它InteractiveSession使自己成为默认会话，因此您可以调用run()或eval()不显式调用该会话。

如果您在python shell或Jupyter笔记本中尝试TF，这将很有帮助，因为它避免了传递显式Session对象来运行操作的麻烦。

在根据官方文档将自身安装为默认会话的基础上，通过一些内存使用测试，似乎交互式会话使用了gpu_options.allow_growth = True选项-请参阅[using_gpu＃allowing_gpu_memory_growth]-而tf.Session（）由默认分配整个GPU内存。

而不是上面提到的差异-最重要的差异是session.run()我们可以一步获取多个张量的值。

例如：

num1 = tf.constant(5)
num2 = tf.constant(10)
num3 = tf.multiply(num1,num2)
model = tf.global_variables_initializer()

session = tf.Session()
session.run(model)

print(session.run([num2, num1, num3]))