TensorFlow中sess.run(c)与c.eval()的区别是什么？

嘿，这个问题问得很精准！在你给出的这个简单场景里，sess.run(c)和c.eval()确实会输出相同的结果（都是5.0），但它们并非完全等价，有几个关键差异值得注意：

• 一次性计算多个张量的能力
  sess.run()支持一次性传入多个张量或操作，一次获取所有结果，比如：

  # 一次拿到c、a、b三个值，效率更高
  c_val, a_val, b_val = sess.run([c, a, b])
  

  而eval()只能针对单个张量，如果要获取多个值，你得多次调用a.eval()、b.eval()、c.eval()，这会触发多次图执行，效率更低。

• 会话上下文的依赖不同
  Tensor.eval()必须在活跃的默认会话上下文中才能使用——要么是在with tf.Session() as sess:的代码块里，要么已经通过sess.as_default()将该会话设为默认会话。
  而sess.run()更灵活，只要你持有会话对象的引用，哪怕不在默认上下文里也能直接调用（比如你在外部保存了sess变量）。

• feed_dict的写法差异
  两者都支持通过feed_dict临时替换张量的值，但写法略有不同：

  # sess.run的写法
  sess.run(c, feed_dict={a: 10.0, b: 20.0})
  # eval的写法
  c.eval(feed_dict={a: 10.0, b: 20.0})
  

  逻辑效果一致，但调用方式上前者是会话的方法，后者是张量的方法。

• 适用对象范围不同
  sess.run()可以直接执行没有返回值的操作（Operation），比如初始化变量的操作：

  sess.run(tf.global_variables_initializer())
  

  但eval()只能用于有输出的张量（Tensor），如果你尝试对一个Operation调用eval()，会直接抛出错误。

回到你的代码示例，因为只是单个张量的计算，且都在with tf.Session()的上下文里，所以两者表现完全一致，但在更复杂的场景中，这些差异就会凸显出来啦。

内容的提问来源于stack exchange，提问作者chanwcom