Numpy 使用map\u fn Slow进行元素采样

假设我想对一个矩阵进行采样，每个条目都从另一个矩阵中的条目定义的分布中采样。我展开我的矩阵并将map_fn应用于每个元素。对于一个相对较小的矩阵（128 x 128），下面给出了几个池分配器警告（GTX TITAN Black），并且没有在任何合理的时间内进行训练

def sample(x):
   samples = tf.map_fn(lambda z:
                      tf.random_normal([1], mean=z,
                                       stddev=tf.sqrt(z * (1 - z))),
                      tf.reshape(x, [-1]))    # apply to each element

   return tf.cond(is_training, lambda: tf.reshape(samples, shape=tf.shape(x)),
                  lambda: tf.tanh(x))

---

有没有更好的方法来应用这样的元素操作？

如果您可以使用每次张量操作而不是tf.map\fn这样的元素操作，那么您的代码将运行得更快

在这里，您似乎希望从每个元素的正态分布中采样，其中输入张量中的每个值的分布参数都不同。试着这样做：

def sample(x):
  samples = tf.random_normal(shape=[128, 128]) * tf.sqrt(x * (1 - x)) + x

tf.random_normal（）默认生成平均值为0.0、标准偏差为1.0的正态分布。可以使用逐点张量运算来修正每个元素的标准偏差（通过相乘）和平均值（通过相加）。事实上，如果你看看tf.random_normal（）是如何实现的，那正是它内部的功能

（如果使用Python条件语句来区分培训和测试时间，您可能会做得更好。）

如果您计划经常做这类事情，您可能会在github上提交一个功能请求，要求对tf.random_normal进行泛化，以便为

mean

和

stddev

接受具有更一般形状的张量。我看没有理由不支持这一点

---

希望有帮助

请参见

tensorflow.contrib.distributions

模块，该模块有一个

Normal

类，其中包含一个

sample

方法，可为您执行此操作