在 TensorFlow 中,Session.run() 和 Tensor.eval() 有啥区别?
Posted
技术标签:
【中文标题】在 TensorFlow 中,Session.run() 和 Tensor.eval() 有啥区别?【英文标题】:In TensorFlow, what is the difference between Session.run() and Tensor.eval()?在 TensorFlow 中,Session.run() 和 Tensor.eval() 有什么区别? 【发布时间】:2016-02-10 04:35:01 【问题描述】:TensorFlow 有两种方法来评估图的一部分:Session.run
在变量列表上和Tensor.eval
。这两者有区别吗?
【问题讨论】:
完整命名空间tf.Tensor.eval()
和 tf.Session.run()
,但连接的是 tf.Operation.run()
和 tf.Tensor.eval()
,如 here 中所述
【参考方案1】:
如果你有一个Tensor
t,调用t.eval()
就相当于调用tf.get_default_session().run(t)
。
您可以将会话设置为默认值,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)
最重要的区别是你可以使用sess.run()
在同一个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
请注意,每次调用 eval
和 run
都会从头开始执行整个图表。要缓存计算结果,请将其分配给tf.Variable
。
【讨论】:
第二个例子有什么不同?是否只是您可以评估单独的操作(或图表?不确定有什么区别)? 等等,你的例子真的运行了吗?我试过了:a = tf.constant(2.0) b = tf.constant(3.0) ab = tf.matmul(a, b)
,我刚收到来自 tensorflow 的抱怨说形状不匹配,我猜更准确地说,等级必须至少为 2。
@Pinocchio 我认为 API 发生了变化,因为原始答案是 4 年前发布的。我使用了tf.multiply(t, u)
,效果很好。【参考方案2】:
张量流的常见问题解答会话有一个answer to exactly the same question。我会继续把它留在这里:
如果t
是Tensor
对象,则t.eval()
是sess.run(t)
的简写(其中sess
是当前默认会话。以下两个sn-ps 代码是等效的:
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,其效果是将其安装为with
块生命周期的默认会话。上下文管理器方法可以为简单的用例(如单元测试)带来更简洁的代码;如果您的代码处理多个图表和会话,则显式调用 Session.run()
可能更直接。
我建议您至少浏览整个常见问题解答,因为它可能会澄清很多事情。
【讨论】:
【参考方案3】: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
【讨论】:
【参考方案4】:在 tensorflow 中,您可以创建图表并将值传递给该图表。 Graph 会根据您在图中所做的配置完成所有工作并生成输出。 现在,当您将值传递给图表时,首先您需要创建一个 tensorflow 会话。
tf.Session()
一旦会话被初始化,那么您应该使用该会话,因为所有变量和设置现在都是会话的一部分。因此,有两种方法可以将外部值传递给图形,以便图形接受它们。一种是在使用正在执行的会话时调用 .run()。
其他基本上是捷径的方法是使用 .eval()。我说快捷方式是因为 .eval() 的完整形式是
tf.get_default_session().run(values)
您可以自己检查。
在values.eval()
的地方运行tf.get_default_session().run(values)
。你必须得到同样的行为。
eval 所做的是使用默认会话,然后执行 run()。
【讨论】:
【参考方案5】:要记住的最重要的事情:
从 TenorFlow 获取常量、变量(任何结果)的唯一方法是会话。
知道这一切都是easy:
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
我还将概述tf.Operation.run()
中的方法here:
在会话中启动图表后,可以通过将操作传递给
tf.Session.run()
来执行操作。op.run()
是调用tf.get_default_session().run(op)
的快捷方式。
【讨论】:
【参考方案6】:Tensorflow 2.x 兼容答案:为了社区的利益,将 mrry 的代码转换为 Tensorflow 2.x (>= 2.0)
。
!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
【讨论】:
以上是关于在 TensorFlow 中,Session.run() 和 Tensor.eval() 有啥区别?的主要内容,如果未能解决你的问题,请参考以下文章
如何在 tensorflow 2.5 中运行 tensorflow 分析
TensorFlow Hub 模块可以在 TensorFlow 2.0 中使用吗?
显式 tensorflow 会话在 Tensorflow/nmt 中给出获取错误
Tensorflow 2.2.0-rc4 AttributeError:模块'tensorflow.compat.v1'在Spyder中没有属性'contrib'?