Python TensorFlow：如果我在图形中处理二次计算，会消耗更多内存吗？

如果我有一个来自谷歌（inception-resnet-v2）的训练有素的Imagnet模型，该模型实际上给了我两个输出：

logits

，以及一个名为end_points的列表，我可以从中提取通过softmax激活执行的最终预测层，即一个名为

predictions

的变量。然而，这并不能最终给我预测所需的类标签。要做到这一点，我必须在我在图中定义了列操作之后执行

label=tf.argmax（预测，1）

，这样我就不会影响原始计算

或者，我可以使用

np.argmax（sess.run（predictions），1）

，它是从图中计算出来的

---

我的问题是，如果我选择第一种方法，它会消耗更多内存并影响我的计算（就我可以使用的批处理大小而言）？仅从图中计算必要的标签是否更安全、更好？

当您发出多个

调用时，会缓存图定义。若你们修改了图形，它需要重新编码并再次发送。因此，第一次运行修改后的图形时，
graph_def.SerializeToString
可能会使用一些额外的内存，但这不会影响
。然后运行
步骤

相关逻辑在，请注意检查
self.\u graph.version>self.\u current\u version

 def _extend_graph(self):
    # Ensure any changes to the graph are reflected in the runtime.
    with self._extend_lock:
      if self._graph.version > self._current_version:
        # pylint: disable=protected-access
        graph_def, self._current_version = self._graph._as_graph_def(
            from_version=self._current_version,
            add_shapes=self._add_shapes)
        # pylint: enable=protected-access

        with errors.raise_exception_on_not_ok_status() as status:
          tf_session.TF_ExtendGraph(
              self._session, graph_def.SerializeToString(), status)
        self._opened = True

无论图形的构造顺序如何，
session.run
都不知道您是在训练前添加了
argmax
，还是after@YaroslavBulatov我认为问题是不同的：numpy argmax是否比tensorflow argmax更高效，当两者的输入都来自tensorflow时？@YaroslavBulatov是的，但仅在完成训练后运行的额外图形构造会消耗更多内存吗？意思是说，如果我最初使用当前批处理大小中的最大内存构建图形，如果我重构图形以计算在同一会话中运行的其他操作（我的原始培训保持不变），我的培训是否会受到影响？谢谢您的回答。我是否可以向您确认，在图形中额外定义的任何操作（即使未运行）都将消耗更多内存？似乎使用
tf.argmax
或
np.argmax
应该非常灵活-但对于更复杂的操作，您建议我在图内还是在图外执行内存考虑？通常在图内执行计算更有效，因为在TensorFlowPython上移动数据会导致内存复制，非常感谢您的见解。这是我从未真正知道的事情！