评估对象实际值的最简单方法[A]Tensor是将其传递给
Session.run()方法，或者
Tensor.eval()在有默认会话时（即在一个
with tf.Session():块中，或参阅下文）调用该方法。通常[B]，如果不在会话中运行某些代码，就无法打印张量的值。
如果你正在试验编程模型，并且想要一种简单的方法来评估张量，则
tf.InteractiveSession可以让你在程序开始时打开一个会话，然后将该会话用于所有
Tensor.eval()（和
Operation.run()）调用。当在一个Session无处不在的对象周围传递乏味的代码时，在诸如外壳或IPython笔记本之类的交互式设置中，这可能会更容易。例如，以下内容在Jupyter笔记本中起作用：
with tf.Session() as sess: print(product.eval())
对于这么小的表达式来说，这似乎很愚蠢，但是Tensorflow中的关键思想之一是推迟执行：构建一个大型而复杂的表达式非常便宜，并且当你要对其进行评估时，可以使用后端（连接到该表达式）使用
Session）能够更有效地安排其执行时间（例如，并行执行独立部分并使用GPU）。
[A]：要打印张量的值而不将其返回到Python程序，可以使用tf.Print()运算符，如Andrzej在另一个答案中建议的那样。请注意，你仍然需要运行部分图形来查看此op的输出，该输出已打印到标准输出中。如果你正在运行分布式
TensorFlow，
tf.Print()则将其输出打印到该op运行所在任务的标准输出中。这意味着，例如，如果你使用https://colab.research.google.com或任何其他Jupyter Notebook，则你在笔记本中将看不到输出tf.Print()；在这种情况下，请参考此答案以获取如何使其仍然打印。
[B]：你也许可以使用实验性tf.contrib.util.constant_value()函数来获取恒定张量的值，但它并不打算用于一般用途，也没有为许多运算符定义。
