1、官方文档的解释
图中翻译如下：
第一段：如果t是一个tf.Tensor对象，则tf.Tensor.eval是tf.Session.run的缩写（其中sess是当前的tf.get_default_session。下面的两个代码片段是等价的：
第二段：在第二个示例中，会话充当上下文管理器，其作用是将其安装为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; 如果您的代码处理多个图形和会话，则可以更直接地对Session.run（）进行显式调用。
简单点说就是：你可以使用sess.run()在同一步获取多个tensor中的值，使用Tensor.eval()时只能在同一步当中获取一个tensor值，并且每次使用 eval 和 run时，都会执行整个计算图。
2.Stack Overflow上面的解释
同时我查阅了Stack Overflow上面人们对这个问题的解释：可以贴在下面加深理解。
原问题链接：
Question：
TensorFlow has two ways to evaluate part of graph: Session.run on a list of variables and Tensor.eval. Is there a difference between these two?
Answer：
If you have a Tensor t, calling t.eval() is equivalent to calling tf.get_default_session().run(t).
You can make a session the default as follows:
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)
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
.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
Note that each call to eval and run will execute the whole graph from scratch. To cache the result of a computation, assign it to a tf.Variable.
翻译如下:
问题：
tensorflow有两种方式：Session.run和 Tensor.eval，这两者的区别在哪？
答：
如果你有一个Tensor t，在使用t.eval()时，等价于：tf.get_default_session().run(t).
举例：
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)
这其中最主要的区别就在于你可以使用sess.run()在同一步获取多个tensor中的值，
例如：
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
注意到：每次使用 eval 和 run时，都会执行整个计算图，为了获取计算的结果，将它分配给tf.Variable，然后获取。
