Performance TensorFlow native、tf.keras和急切执行时间

我试图比较在本机tensorflow中实现的同一个模型的运行时间、急切执行和tf.keras。这个模型是针对一个问答任务的，我已经测试了两种选择——只提供包含答案的句子，以及提供整个上下文

200多个时代的训练结果相当奇怪，我不知道如何解释它们

保留所有句子的情况：

• tf:704.18秒
• tf.keras:1235.81秒
• 急切：17057.66秒

一句话的情况：

• tf:94.56秒
• tf.keras:36.48秒
• 急切：252.08秒

通常可以从数字上说，当数据集大小增加时，TF pure比TF.keras快，但对于小数据输入，TF.keras更快。但为什么会这样呢？我无法解释为什么渴望如此缓慢。。。我知道它不会在后台构建流程图，因此不会显式地进行优化，但差别太大了

---

您可以在此处找到我的实现：。我非常有兴趣讨论这种基准测试是否有意义，以及如何使其更加一致。

很有意思的是，Earge的速度如此之慢。您是否尝试过使用python的profiler对其进行评测？在这种情况下，您可能正在将每次迭代的数据从CPU复制到GPU。你能确认你没有这样做吗？嗨@harveyslash，我没有使用GPU执行任务。我将数据转换为TFRecords，并使用tfe.Iterator对数据进行迭代。