核心要点
Session 是 TF 1.x 执行计算图的运行时
理解 feed_dict 喂入 placeholder
知道 TF 2.x 已移除默认 Session 模式
能说明为何 2.x 改用 Eager
简要回答
TensorFlow 1.x 中 Session 是执行已构建静态计算图的运行时环境，通过 session.run() 计算节点并可用 feed_dict 传入数据；TF 2.x 默认 Eager 执行，不再需要 Session。
标准回答
一、核心回答
在 TensorFlow 1.x 中，Session 是执行计算图的运行时：
示例代码可以这样理解：
# TF 1.x 风格
x = tf.placeholder(tf.float32, [None, 784])
y_pred = model(x)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
result = sess.run(y_pred, feed_dict={x: batch})
二、角色
- 分配资源：GPU/CPU 内存
- 执行节点：sess.run(fetches, feed_dict) 按依赖序计算
- 传入数据：feed_dict 将值绑到 Placeholder
- 取出结果：返回 fetches 的 numpy 值
必须先建图再开 Session 跑，两步分离导致调试困难。
三、TF 2.x
默认 Eager Execution，运算立即求值，无需 Session。遗留代码用 tf.compat.v1.Session()。理解 Session 对维护老项目、读懂 2017 年前教程仍有意义。新项目用 TensorFlow 2.x + Keras。
回答思路
【定义】用一句话说清「TensorFlow 中的 Session 是什么？起什么作用」
【原理】讲清关键机制或步骤（2～3 点）
【例子】举一个真实项目、论文或产品中的例子
【对比】与易混淆概念或替代方案比较（如有）
【收尾】总结适用场景 + 一个局限或风险
延伸学习
工具：TensorFlow。知识库：深度学习基础。术语：反向传播。
常见误区
⚠️ 常见踩坑
误区一：容易答偏的地方：在 TF 2.x 面试仍推荐 Session 为首选方案；说不清 placeholder 与 feed_dict 关系；不知道 2.x 默认 Eager。
追问
追问 1：Session.run 可以一次算多个节点吗？
可以，fetches 传列表或字典，一次 run 返回多个张量值，框架自动调度公共子图，避免重复计算。
追问 2：InteractiveSession 和 Session 区别？
InteractiveSession 建图后默认自身为活动 session，适合 Jupyter 逐 cell 实验；普通 Session 需显式 with 块。均为 1.x 概念。
追问 3：TF 2.x 如何模拟 Session 行为？
直接调用张量运算；批量训练用 tf.function 编译；部署用 SavedModel 在 Serving 环境加载执行，无需手写 Session。
🔗 相似问题
同一考点的不同问法，换着练更稳
没找到想看的面试题？把你想看的告诉我们 →
延伸学习
按主题分类的相关资源，便于系统复习
