python - 在类中处理 tensorflow session

我正在使用张量流来预测神经网络的输出。我有一堂课，我描述了神经网络，还有一个主文件，在该文件中进行了预测，并根据结果对权重进行了更新。但是，预测似乎很慢。这是我的代码的样子：

class NNPredictor():
    def __init__(self):
        self.input = tf.placeholder(...)
        ...
        self.output = (...) #Neural network output
    def predict_output(self, sess, input):
        return sess.run(tf.squeeze(self.output), feed_dict = {self.input: input})

主文件如下所示：

sess = tf.Session()
predictor = NNPredictor()

input = #some initial value
for i in range(iter):
    output = predictor.predict_output(sess, input)
    input = #some function of output

但是，如果我在类中使用以下函数定义：

    def predict_output(self):
        return self.output

并具有以下主文件：

sess = tf.Session()
predictor = NNPredictor()

input = #some initial value
output_op = predictor.predict_value()
for i in range(iter):
    output = np.squeeze(sess.run(output_op, feed_dict = {predictor.input: input}))
    input = #some function of output

该代码的运行速度几乎提高了20-30倍。我似乎不了解这里的工作方式，我想知道最佳实践是什么。

最佳答案

这与Python屏蔽的基础内存访问有关。下面是一些示例代码来说明这个想法：

import time

runs = 10000000

class A:
    def __init__(self):
    self.val = 1

    def get_val(self):
    return self.val

# Using method to then call object attribute
obj = A()
start = time.time()
total = 0
for i in xrange(runs):
    total += obj.get_val()
end = time.time()
print end - start

# Using object attribute directly
start = time.time()
total = 0
for i in xrange(runs):
    total += obj.val
end = time.time()
print end - start

# Assign to local_var first
start = time.time()
total = 0
local_var = obj.get_val()
for i in xrange(runs):
    total += local_var
end = time.time()
print end - start

在我的计算机上，它按以下时间运行：

1.49576115608
0.656110048294
0.551875114441

特定于您的情况，在第一种情况下您要调用object方法，而在第二种情况下则不执行。如果您以这种方式多次调用代码，则性能上会有很大差异。

关于python - 在类中处理 tensorflow session ，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/44896433/