Performance Tensorflow：有效的多项式采样（Theano x50更快？）

我希望能够有效地从多项式分布中取样，显然我的TensorFlow代码非常。。。非常慢

我的想法是：

• 向量：

  计数=[40,50,26，…，19]

  例如
• 概率矩阵：

  probs=[[0.1，…，0.5]，…[0.3，…，0.02]

  这样

  np.sum（probs，axis=1）=1

假设

len（counts）=N

和

len（probs）=（N，50）

。我想做的是（在我们的示例中）：

• 从矩阵的第一个概率向量中取样40次

  probs

• 从矩阵的第二个概率向量中取样50次

  probs

• 从矩阵的第n个概率向量中取样19次

  probs

这样我的最终矩阵看起来像（例如）：

A=[[22，…13]，…，[12，…，3]]

其中

np.sum（A，轴=1）=计数

（即每行上的总和=相应行中的

计数

向量）

以下是我的TensorFlow代码示例：

将numpy导入为np
导入tensorflow作为tf
将tensorflow.contrib.distributions导入为ds
导入时间
nb_分布=100#概率分布数
计数=np.random.randint（2000，3500，大小=nb#u分布）#定义计数数（大小为100的向量，2000，3500中的整数）
#print（u[：40]）#应与tf.Session（）中print（np.sum（res，1）[:40]）的输出相同
#probsn是一个概率矩阵：
#probsn的每一行包含一个大小为30的向量，其总和为1
概率n=np.随机.均匀（大小=（nb_分布，30））
probsn/=np.sum（probsn，轴=1）[：，无]
counts=tf.Variable（counts，dtype=tf.float32）
probs=tf.Variable（tf.convert_to_tensor（probsn.astype（np.float32）））
#多项式样本
距离=ds.多项式（总计数=计数，概率=概率）
out=距离样本（）
开始=时间。时间（）
使用tf.Session（）作为sess：
sess.run（tf.global\u variables\u initializer（））
res=sess.运行（耗尽）
#打印（np.sum（res，1）[:40]）
打印（time.time（）-start）

经过的时间：0.12秒

我在中的等效代码编号：

将numpy导入为np
进口茶
从编号张量导入\u共享
nb_分布=100#概率分布数
计数=np.random.randint（2000、3500，大小=nb_分布）
#print（u[：40]）#应与print的输出相同（np.sum（v_sample（），1）[:40]）
计数=_共享（计数）#定义计数的数量（大小为100的向量，在2000和3500中为int）
#probsn是一个概率矩阵：
#probsn的每一行包含一个和为1的向量
概率n=np.随机.均匀（大小=（nb_分布，30））
probsn/=np.sum（probsn，轴=1）[：，无]
probsn=_共享（probsn）
从ano.tensor.shared\u randomstreams导入randomstreams
np\u rng=np.random.RandomState（12345）
theano_rng=随机流（np_rng.randint（2**30））
v_sample=theano.函数（输入=[]，输出=theano_rng.多项式（n=计数，pvals=probsn））
start\u t=time.time（）
out=np.sum（v_sample（），1）[:40]
#打印（输出）
打印（time.time（）-start\t）

经过的时间：0.0025秒

---

西亚诺快了100倍。。。我的TensorFlow代码有问题吗？如何在TensorFlow中有效地从多项式分布采样？

问题是TensorFlow多项式

sample（）

方法实际上使用方法调用

\u sample\n（）

。定义了此方法。正如我们在多项式采样代码中所看到的，该代码为每行生成一个1_hot的矩阵，然后通过对行求和将矩阵减少为向量：

math\u ops.reduce\u sum（数组\u ops.one\u hot（x，深度=k），轴=-2）

它的效率很低，因为它使用额外的内存。为了避免这种情况，我使用了

tf.scatter\u nd

功能。下面是一个完全可运行的示例：

将tensorflow导入为tf
将numpy作为np导入
将tensorflow.contrib.distributions导入为ds
导入时间
tf.reset_default_graph（）
nb_分布=100#概率数分布
u=np.random.randint（2000，3500，size=nb#u分布）#定义计数数（大小为100的向量，2000，3500中的int）
#probsn是一个概率矩阵：
#probsn的每一行包含一个大小为30的向量，其总和为1
概率n=np.随机.均匀（大小=（nb_分布，30））
probsn/=np.sum（probsn，轴=1）[：，无]
counts=tf.Variable（u，dtype=tf.float32）
probs=tf.Variable（tf.convert_to_tensor（probsn.astype（np.float32）））
#多项式样本
距离=ds.多项式（总计数=计数，概率=概率）
out=距离样本（）
使用tf.Session（）作为sess：
sess.run（tf.global\u variables\u initializer（））
res=sess.run（out）#如果删除这一行，代码会变慢。。。
开始=时间。时间（）
res=sess.运行（耗尽）
打印（time.time（）-start）
打印（np.all（u==np.sum（res，axis=1）））

这段代码花了0.05秒来计算

def V多项抽样（计数、PVAL、种子=无）：
k=tf.形状（pvals）[1]
logits=tf.expand_dims（tf.log（pvals），1）
def样本_单个（参数）：
logits，n\u draw=args[0]，args[1]
x=tf.多项式（logits，n，draw，seed）
指数=tf.cast（tf.reformate（x，[-1,1]），tf.int32）
更新=tf.ones（n_draw_）#tf.shape（index）[0]
返回tf.scatter\n（索引、更新，[k]）
x=tf.map\u fn（样本单，[logits，counts]，dtype=tf.float32）
返回x
xx=V多项抽样（u，probsn）
#检查=tf.展开尺寸（计数，1）*问题
使用tf.Session（）作为sess：
sess.run（tf.global\u variables\u initializer（））
res=sess.run（xx）#如果删除这一行，代码会变慢。。。
start\u t=time.time（）
res=sess.run（xx）
打印（time.time（）-start\t）
#打印（np.总和（分辨率，轴=1））
打印（np.all（u==np.sum（res，axi