Question

使用张量流执行简单的最小化任务（为硬S形逼近拟合最佳参数）后，我决定将其从图模式转换为热切模式。我感到惊讶的是，在急切模式下运行需要更长的时间。

这里是密码。

图形模式代码：

import tensorflow as tf
from time import time

beg = time()
a = tf.Variable(-10, name='a', dtype=tf.float32)
b = tf.Variable(10, name='b', dtype=tf.float32)

def g(x):
    return tf.clip_by_value( (x-a)/(b-a), 0, 1)

X = tf.lin_space(-20., 20., 2000)
loss = tf.reduce_sum( tf.square( tf.math.sigmoid(X) - g(X)))
opt = tf.train.AdamOptimizer(learning_rate=1e-3)
train_op = opt.minimize( loss)
init_op = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init_op)

    for _ in range( int(1e4)):
        sess.run( train_op)

print( 'Non-eager run in %.1f seconds' %(time()-beg))

打印Non-eager run in 3.5 seconds

急切模式代码：

import tensorflow as tf
from time import time

tf.enable_eager_execution()

beg = time()

a = tf.Variable(-10, name='a', dtype=tf.float32)
b = tf.Variable(10, name='b', dtype=tf.float32)

def g(x):
    return tf.clip_by_value( (x-a)/(b-a), 0, 1)

X = tf.lin_space(-20., 20., 2000)

opt = tf.train.AdamOptimizer(learning_rate=1e-3)

for _ in range( int(1e4)):
    with tf.GradientTape() as tape:
        loss = tf.reduce_sum( tf.square( tf.math.sigmoid(X) - g(X)))
        grads = tape.gradient(loss, [a,b])
    opt.apply_gradients(zip(grads, [a,b]), global_step=tf.train.get_or_create_global_step())
print( 'Eager run in %.1f seconds' %(time()-beg))

打印Eager run in 20.9 seconds

我敢打赌，我急切的代码是次优的，并且tensorflow在下一个重要版本中似乎正转向急切执行，我想知道如何优化此代码以使其性能至少与第一版。

Answer 1

您的代码在tensorflow 2.0中看起来像（请注意，您已经可以尝试每晚构建tensorflow 2.0（https://pypi.org/project/tf-nightly-2.0-preview/））

import tensorflow as tf
from time import time

tf.enable_eager_execution()

beg = time()


@tf.function
def train():
    a = tf.Variable(-10, name='a', dtype=tf.float32)
    b = tf.Variable(10, name='b', dtype=tf.float32)

    def g(x):
        return tf.clip_by_value((x - a) / (b - a), 0, 1)

    X = tf.lin_space(-20., 20., 2000)
    opt = tf.train.AdamOptimizer(learning_rate=1e-3)

    for _ in range(int(1e4)):
        with tf.GradientTape() as tape:
            loss = tf.reduce_sum(tf.square(tf.math.sigmoid(X) - g(X)))
            grads = tape.gradient(loss, [a, b])
        opt.apply_gradients(
            zip(grads, [a, b]),
            global_step=tf.train.get_or_create_global_step())


train()
print('Eager run in %.1f seconds' % (time() - beg))

请注意，@tf.session的基础tf.contrib.eager.defun和Autograph（在1.12及更高版本中可用）仍在积极开发中，并且实验性 ，因此目前的实现有点麻烦。因此，如果它无法运行或运行速度较慢，可能值得在Github上发布一个问题。

在2.0版本中，@tf.session将合并defun和autograd的优点

Tensorflow：急切模式下速度降低7倍

1 个答案: