Question

以下代码使用tensorflow库，与numpy库相比，它的运行速度非常慢。我知道我正在调用一个函数，它在python for循环中使用tensorflow库（后面我将与python多处理并行化），但代码原样，运行速度极慢。

有人可以帮助我如何让这段代码更快地运行吗？感谢。

from math import *
import numpy as np
import sys
from multiprocessing import Pool
import tensorflow as tf

def Trajectory_Fun(tspan, a, b, session=None, server=None):
    # Open tensorflow session
    if session==None:
        if server==None:
            sess = tf.Session()
        else:
            sess = tf.Session(server.target)       
    else:
        sess = session
    B = np.zeros(np.size(tspan), dtype=np.float64)
    B[0] = b
    for i, t in enumerate(tspan):
        r = np.random.rand(1)
        if r>a:
            c = sess.run(tf.trace(tf.random_normal((4, 4), r, 1.0))) 
        else:
            c = 0.0 # sess.run(tf.trace(tf.random_normal((4, 4), 0.0, 1.0)))
        B[i] = c
    # Close tensorflow session
    if session==None:
        sess.close()
    return B

def main(argv):
    # Parameters
    tspan = np.arange(0.0, 1000.0)
    a = 0.1
    b = 0.0
    # Run test program
    B = Trajectory_Fun(tspan, a, b, None, None)
    print 'Done!'

if __name__ == "__main__":
    main(sys.argv[1:])

Answer 1

如您的问题中所述，此程序将提供较差的性能，因为它为每个操作创建了几个新的TensorFlow图形节点。 TensorFlow中的基本假设是（大约）您将构建一次图形，然后多次调用sess.run()（的各个部分）。第一次运行图表相对昂贵，因为TensorFlow必须构建各种数据结构并优化跨多个设备的图形执行。但是，TensorFlow缓存了这项工作，因此后续使用要便宜得多。

通过构造一次图表并使用（例如）tf.placeholder()操作来输入每次迭代中更改的值，您可以更快地完成此程序。例如，以下应该可以解决问题：

B = np.zeros(np.size(tspan), dtype=np.float64)
B[0] = b

# Define the TensorFlow graph once and reuse it in each iteration of the for loop.
r_placeholder = tf.placeholder(tf.float32, shape=[])
out_t = tf.trace(tf.random_normal((4, 4), r_placeholder, 1.0))

with tf.Session() as sess:
  for i, t in enumerate(tspan):
    r = np.random.rand(1)
    if r > a:
      c = sess.run(out_t, feed_dict={r_placeholder: r})
    else:
      c = 0.0
    B[i] = c
  return B

通过使用TensorFlow循环并减少对sess.run()的调用，您可以提高效率，但一般原则是相同的：多次重复使用图形以获得TensorFlow的好处。

tensorflow在python for循环中运行得非常慢

1 个答案: