Python 3.x 在Tensorflow张量上调用scipy特殊函数？

当使用Tensorflow张量作为参数调用scipy/numpy特殊函数时，是否有性能代价？与使用tensorflow.math提供的函数相反

我这样问是因为scipy上有一些特殊功能，但Tensorflow上没有（例如

scipy.special.erfcx

）。我假设Tensorflow提供了

Tensorflow.math

中的函数，而不是建议直接使用numpy或scipy，因为这提供了一些加速

编辑：注意，我试图使用

@tf.function

：

导入scipy.special
导入tensorflow作为tf
@功能
def erfcx（x）：
返回tf.convert_到_张量（scipy.special.erfcx（x））

但是当我在

tf.Tensor

上调用它时，我得到了一个错误

A = tf.random.uniform((5,6))
erfcx(A)
# NotImplementedError: Cannot convert a symbolic Tensor (x:0) to a numpy array.

---

有什么建议吗？

因此您可以执行以下操作。但是，我认为您不能将此函数与

@tf.function

一起使用，这对于tf构建图形来说可能太难了。这将在紧急执行模式下运行

import tensorflow as tf

x = tf.ones(shape=[10,2], dtype=np.float32)
erfcx = tf.numpy_function(scipy.special.erfcx,[x], tf.float32)

---

TF有自己的高度优化的CUDA内核用于其操作。因此，每当您使用自定义函数时，都会失去这种效率（并非总是@tf.function可以将python转换为

tf.Graph

）。因此，是的，总是首选使用

tf.ops

而不是其他ops。但是，您得到的加速比类型是不同的，这取决于op实际上是如何可并行的。@thushv89请参见编辑。我试图使用

@tf.function

，但它给出了一个错误。很可能tf在转换成tf-ops时有局限性。我试图使用

tf.numpy\u函数

，但也失败了。我会看一看，然后在我启动并运行时发布一个答案。scioy函数不能直接使用tensorflow对象。他们将首先尝试将它们转换为numpy数组。最好让tensorfow先做正确的转换。是的，它比调用函数本身要慢。事实上（不幸的是）只使用

tf。convert_to_tensor（scipy.special.erfcx（x））

？（我不确定如何对这些东西进行基准测试）。您可以在Jupyter上使用

%timeit

magic命令对这些东西进行计时。你也可以做你刚才提到的事情。