TensorFlow有两种方式来评估Graph(计算图)的一部分：对变量列表做Session.run或Tensor.eval。这两者有什么区别？
最佳解决思路
如果你有一个Tensor t，调用t.eval()相当于调用tf.get_default_session().run(t)。
可以按如下方式将会话设置为默认会话：
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，可以使用sess.run()在相同的步骤中获取多个Tensor(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
而eval不能处理对象列表数据
注意，每次调用eval和run将从头开始执行整个计算图。要缓存计算结果，请将结果存入tf.Variable。
次佳解决思路
TensorFlow的FAQ会话部分有一个answer to exactly the same question。进一步说明如下：
如果t是Tensor对象，则t.eval()是sess.run(t)的缩写(sess是当前的默认会话，下面的两个代码片段是等效的：
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，将会话设置为with块的生命周期的默认会话。上下文管理器方法可以为简单用例(比如单元测试)提供更简洁的代码;如果代码要处理多个计算图和会话，则需要更直接地显式调用Session.run()。
