Keras 使用tf.function的Tensorflow 2.0模型速度非常慢，每次列车计数发生变化时都会重新编译。“渴望”跑得快4倍左右

我有从未编译的keras代码构建的模型，并试图通过定制的训练循环来运行它们

TF2.0eager（默认情况下）代码在CPU（笔记本电脑）上运行约30秒。当我使用包装好的tf.function调用方法创建一个keras模型时，它运行得非常慢，而且似乎需要很长时间才能启动，尤其是“第一次”

例如，在tf.function代码中，10个样本的初始序列需要40秒，10个样本的后续序列需要2秒

在20个样本中，初始值为50秒，后续值为4秒

1号样本上的第一列需要2秒，后续需要200毫秒

因此，似乎每次调用火车都在创建一个新的图表，其中复杂度随火车计数而变化

我只是在做这样的事情：

@tf.function
def系列（n=10）：
步长=0
损失=0.0
精度=0.0
对于范围（n）中的i：
步骤+=1
d、 dd，l=列车一步（型号、选项、数据）
tf.打印（dd）
使用tf.name_范围（“列车”）：
对于dd中的k：
tf.summary.scalar（k，dd[k]，步长=步长）
如果tf.相等（步骤%10，0）：
tf.打印（dd）
d、 更新（dd）
返回d

---

其中模型为

keras.model.model

，带有

@tf.function

装饰

调用
方法，如示例所示。
我在这里分析了
@tf.function
的这种行为

简而言之：
tf.function
的设计不会自动将Python本机类型装箱到具有定义良好的
dtype
的
tf.Tensor
对象

如果您的函数接受一个
tf.Tensor
对象，则在第一次调用该函数时，将分析该函数，并生成与该函数关联的图形。在每个非第一次调用中，如果
tf.Tensor
对象的
dtype
匹配，则重用该图

但是在使用Python本机类型的情况下，每次使用不同的值调用函数时，都会生成图形

简而言之：如果您计划使用
@tf.function
，那么将代码设计为处处使用
tf.Tensor
而不是Python变量

tf.function
不是一个能够神奇地加速在急切模式下正常工作的函数的包装器；是一个包装器，它需要设计渴望的函数（主体、输入参数、DYTPE），了解图形创建后会发生什么，以获得真正的速度提升。
这很好。。。我想这应该是文件中的一个大警告。如果有，我肯定错过了。有一件事我只是不明白为什么他们在这里有tf.function示例。。。如果autograph.passing模型（即keras对象）、tf.data.dataset或任何tf.*obejct存在已知问题，则在args中包含model etc。只有通过Python本机类型，性能才会降低我很乐意提供帮助！谢谢，@nessuno。我知道您指的是本机数字类型，但我还想补充一点，尽管列表在python中也被视为本机类型，但张量列表仍然可以正常工作。