Tensorflow高效（非常）大型计算图构造

Question

我正在解决一个问题，我必须构建一个非常大的计算图来描述我的可能性，然后计算相应函数的梯度。为了演示起见，假设我在循环上构造了以下虚拟求和：

graph = tf.Graph()

with graph.as_default():
    theta = tf.Variable(tf.ones_like([[1.]]), name='theta')
    L=[]
    K=[] 
    for _ in range(10**6):
        L.append(3*theta)
        K.append(theta)
    m = tf.reduce_sum(tf.multiply(L,K))
    g = tf.gradients(ys=m, xs=[theta], stop_gradients=L)

with tf.Session(graph=graph) as sess:
    sess.run(tf.global_variables_initializer())
    g_=sess.run([g], feed_dict={theta:np.array([[-10.]])})

有什么好的技巧可以减少构建静态计算图的等待时间吗？