Python 嵌套while\u循环的张量流优化

我正在尝试将此方法用于TensorFlow（取自）：

我已经使用三个tf.while_循环重新编写了这篇文章，但注意到它非常慢（工作示例）：

（注意：我知道在这种情况下我返回的是一个值，而不是一个矩阵。但这是一个单独的问题）

一系列16x256值的计算大约需要4-5秒。现在我想知道如何优化这个。在这种情况下，有没有替代使用tf.while\u循环的方法？我的CPU似乎也有相当高的负载，我在训练时收到很多这样的信息：

2017-10-30 17:00:51.234993:I tensorflow/core/common_runtime/gpu/pool_allocator.cc:247]PoolAllocator:257610 get请求后，put_count=385620 executed_count=128000 execution_rate=0.331933，未满足的分配率=0

我对TensorFlow的了解仍然有限，我想知道可以做些什么来优化这个方法

---

我使用的是python 2.7和TensorFlow 1.2.0，我不熟悉雅可比方程，但基本上应该避免在TensorFlow中循环元素。您应该在张量/矩阵运算中考虑它，并使用TFAPI进行张量运算。我在他们的源代码中找到了雅可比计算：

---

也许会有帮助。

我不熟悉雅可比方程，但基本上应该避免在Tensorflow中循环元素。您应该在张量/矩阵运算中考虑它，并使用TFAPI进行张量运算。我在他们的源代码中找到了雅可比计算：

也许有帮助

def _jacobian_product_sq_euc(X, Y, E, G):
    m = X.shape[0]
    n = Y.shape[0]
    d = X.shape[1]

    for i in range(m):  # 0 - 4
        for j in range(n):
            for k in range(d):
                G[i, k] += E[i,j] * 2 * (X[i, k] - Y[j, k])

def calc_score():
    gm = tf.zeros([16, 256])

    i = 0
    i_max = 16
    j_max = 16
    d_max = 256

    while_condition_loop1 = lambda i, gm_score: tf.less(i, i_max)
    while_condition_loop2 = lambda i, j, gm_score: tf.less(j, j_max)
    while_condition_loop3 = lambda i, j, d, gm_score: tf.less(d, d_max)
    gm_score = tf.constant(0.)

    def loop3(i, j, d, gm_score):
        gm_score = gm_score + e[i+1, j+1] * 2 * tf.abs((x[i,d] - y[j, d]))
        return [i, j, tf.add(d,1), gm_score]

    def loop2(i, j, gm_score):
        d = 0
        _, _, _, gm_score = tf.while_loop(while_condition_loop3, loop3, [i, j, d, gm_score])
        return [i, tf.add(j,1), gm_score]

    def loop1(i, gm_score):
        j = 0
        _, _, gm_score = tf.while_loop(while_condition_loop2, loop2, [i, j, gm_score])
        return [tf.add(i,1), gm_score]

    _, gm_score = tf.while_loop(while_condition_loop1, loop1, [i, gm_score])

    return gm_score