sess.run（）多个操作与多个sess.run（）

Question

在tensorflow中，如果我们想运行多个操作，那么将列表中的ops传递给单个sess.run()与使用多个sess.run()会有什么区别（例如速度或结果）。将一个操作传递给每个操作？

例：

#!/usr/env/bin python
import tensorflow as tf

if __name__ == '__main__':
    v = tf.Variable(0)
    c = tf.constant(3)
    add = tf.add(v, c)
    update = tf.assign(v, add)
    mul = tf.multiply(add, update)
    init = tf.compat.v1.global_variables_initializer()

    # method 1
    with tf.Session() as sess:
        sess.run(init)
        print(sess.run(add))
        print(sess.run(mul))

    # method 2
    with tf.Session() as sess:
        print(sess.run([init, add, mul]))

编辑：最初，我还想知道是否存在多个会话会导致不同结果的情况，例如，计算图中的依赖关系导致执行顺序不同等。但是我并没有在问题中明确指出这一点，只是给出了一个相当虚拟的示例代替...

Answer 1

每次运行init ，所有权重都会随机初始化，因此无法通过这种方式进行比较。 如果您真的想比较，我将运行以下代码：

#!/usr/env/bin python
import tensorflow as tf

if __name__ == '__main__':
    v = tf.Variable(0)
    c = tf.constant(3)
    add = tf.add(v, c)
    update = tf.assign(v, add)
    mul = tf.multiply(add, update)
    init = tf.compat.v1.global_variables_initializer()

    # method 1
    with tf.Session() as sess:
        sess.run(init)
        print(sess.run(add))
        print(sess.run(mul))
        print(sess.run([add, mul]))

Answer 2

结果没有任何区别：

import numpy as np

tf.reset_default_graph()
v = tf.Variable(0)
c = tf.constant(3)
add = tf.add(v, c)
update = tf.assign(v, add)
mul = tf.multiply(add, update)
init = tf.compat.v1.global_variables_initializer()

def single():
    with tf.Session() as sess:
        sess.run(init)
        fetch_add = sess.run(add)
        fetch_mul = sess.run(mul)
    return fetch_add, fetch_mul

def multiple():
    with tf.Session() as sess:
        sess.run(init)
        fetch_add, fetch_mul = sess.run([add, mul])
    return fetch_add, fetch_mul

add_single, multiply_single = single()
add_multiple, multiply_multiple = multiple()

np.testing.assert_array_equal(add_single, add_multiple)
np.testing.assert_array_equal(multiply_single, multiply_multiple)

关于速度，以下是一些指标：

%timeit single()
# 7.44 ms ± 143 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

%timeit multiple()
# 5.56 ms ± 121 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

因此，如果同时运行多个节点，肯定会更快。