原始Python'；对于'；环路降低TensorFlow的训练性能

当只有1个输入（输入到占位符）时，使用tf.data.Dataset是最佳选择：

Data = tf.data.Dataset.from_tensor_slices((Inp,Exp));
Data = Data.repeat().shuffle(Dsize).batch(Bsize);

Steps  = 1000;
Epochs = round(Steps/(Dsize/Bsize));

...

Model.fit(Data, epochs=Epochs, steps_per_epoch=round(Dsize/Bsize));

但是，当有多个输入（馈送到多个占位符）时，Keras不允许馈送多个数据集，因此原始Python“for”循环用于馈送批次：

Data = tf.data.Dataset.from_tensor_slices((Inp1,Inp2,Exp));
Data = Data.repeat().shuffle(Dsize).batch(Bsize);
Iter = iter(Data);

Steps = 1000;

...
for I in range(Steps):
  X1,X2,Y = next(Iter);
  Model.fit(x=[X1,X2], y=Y);

---

因为Python是解释器，在字节码上运行，“for”循环应该很慢。我担心使用自定义“for”循环会降低训练性能。这是真的吗？

我发现没有必要使用“for”循环。我可以通过仅使用Keras来避免使用“for”循环，同时我仍然可以使用多个XE，但不再使用tf.data.Dataset：

Steps  = 1000;
Epochs = round(Steps/(Dsize/Bsize)); 
Lline  = 10;
Lafte  = round(Epochs/Lline);
if Lafte==0: Lafte=1;

#Train: Loop
L = Model.evaluate(x=[Inp1,Inp2], y=Exp, steps=round(Dsize/Bsize), batch_size=Bsize, 
                   verbose=0);
print(f"Initavg batch loss: {L:.9f}");                   

Model.fit(x=[Inp1,Inp2], y=Exp, epochs=Epochs, batch_size=Bsize, shuffle=True, 
          verbose=0, callbacks=[callback()]);

---

您可以调整from_tensor_切片，使其保持由2个元素组成的元组，其中第一个元素本身就是元组

工作示例：

将numpy导入为np
导入tensorflow作为tf
input_1=tf.keras.input（shape=（10，））
密度_1=tf.keras.layers.density（4）（输入_1）
input_2=tf.keras.input（shape=（10，））
致密_2=tf.keras.layers.dense（4）（输入_2）
x=tf.keras.layers.Concatenate（）（[dense_1，dense_2]）
y=tf.keras.layers.致密（2）（x）
model=tf.keras.model（[input_1，input_2]，y）
model.summary（）
数据集大小=16
批量大小=4
输入值=np.random.random（（数据集大小，10））
输入值=np.random.random（（数据集大小，10））
输出值=np.random.random（（数据集大小，2））
dataset=tf.data.dataset.from_张量_切片（（输入_1_值，输入_1_值），输出_值））
dataset=dataset.repeat（）.shuffle（缓冲区大小=4）.批处理（批处理大小）
步骤=10
编译（optimizer=“adam”，loss=“binary\u交叉熵”）
拟合（数据集，历元=1，每历元步长=步长）

将数据集合并为单个数据集的另一个选项也可以是使用