Session.run()和Tensor.eval()的区别

代码示例

如果是 一个 Tensor t，在使用t.eval()时，等价于：tf.get_default_session().run(t).

import tensorflow as tf
import numpy as np
A=np.zeros([3])
B=np.zeros([3,1])
C=np.array([[1,11,22,3],
            [22,1,2,1],
            [11,12,2,121]] )
a=3
b=3
init=tf.global_variables_initializer()
with tf.Session() as sess:
    print(A)
    print(B)
    print("A的维度",tf.rank(A).eval())
    print("B的维度",tf.rank(B).eval())
    print("B的shape",tf.shape(B).eval())
    print("C的每列最大值索引",tf.argmax(C,axis=0).eval())
    print("C的每行最大值索引",tf.argmax(C,axis=1).eval())
    print(sess.run(tf.equal(a,b)))
    print(tf.equal(a,b).eval())

[0. 0. 0.]
[[0.]
 [0.]
 [0.]]
A的维度 1
B的维度 2
B的shape [3 1]
C的每列最大值索引 [1 2 0 2]
C的每行最大值索引 [2 0 3]
True
True

这其中最主要的区别就在于你可以使用sess.run()在同一步获取多个tensor中的值，

import tensorflow as tf
import numpy as np
A=np.zeros([3])
B=np.zeros([3,1])
C=np.array([[1,11,22,3],
            [22,1,2,1],
            [11,12,2,121]] )
a=3
b=3
init=tf.global_variables_initializer()
with tf.Session() as sess:
    print(A)
    print(B)
    print("A的维度",tf.rank(A).eval())
    print("B的维度",tf.rank(B).eval())
    print("B的shape",tf.shape(B).eval())
    print(sess.run([tf.rank(A),tf.rank(B),tf.shape(B)]))

[0. 0. 0.]
[[0.]
 [0.]
 [0.]]
A的维度 1
B的维度 2
B的shape [3 1]
[1, 2, array([3, 1])]

注意！！！这里sess.run([tf.rank(A),tf.rank(B),tf.shape(B)])

多了中括号[ ]