Python Tensorflow特征值分解非常慢

我在Tensorflow中使用特征分解，发现它非常慢。以下代码显示Tensorflow的速度与numpy和scipy的对比：

import numpy as np
import scipy as sp
import tensorflow as tf
from time import time

A = np.random.randn(400, 400)
A_tf = tf.constant(A)

cur = time()
d, v = sp.linalg.eig(A)
print(f'sp: {time() - cur:4.2f} s')

cur = time()
d, v = np.linalg.eig(A)
print(f'np: {time() - cur:4.2f} s')

cur = time()
d, v = tf.linalg.eig(A_tf)
print(f'tf: {time() - cur:4.2f} s')

这将提供以下输出：

sp: 0.09 s
np: 0.08 s
tf: 5.04 s

---

有什么想法吗？

尝试在

@tf.function

中包装

tf.linalg.eig

，您可以观察到速度的提高。 这是因为它转换为图形模式，可以进行一些优化

在渴望模式的情况下，这些可能不会执行，这是TF2.x中的默认行为

您可以按如下所示包装代码

@tf.function
def oper(A_tf):
    d, v = tf.linalg.eig(A_tf)

请参考下面的比较w.r.t速度

import numpy as np
import scipy as sp
import tensorflow as tf
from time import time

A = np.random.randn(400, 400)
A_tf = tf.constant(A)

cur = time()
d, v = sp.linalg.eig(A)
print(f'sp: {time() - cur:4.2f} s')

cur = time()
d, v = np.linalg.eigh(A)
print(f'np: {time() - cur:4.2f} s')

d, v = tf.linalg.eig(A_tf)
print(f'tf: {time() - cur:4.2f} s')


@tf.function
def oper(A_tf):
    cur = time()
    d, v = tf.linalg.eig(A_tf)
    print(f'tff: {time() - cur:4.2f} s')

oper(A_tf) 

输出：

sp: 0.32 s
np: 0.04 s
tf: 3.62 s
tff: 0.01 s

---

有关更多信息，请参阅，到今天。

要获得更好的性能，请尝试在

@tf.function

中包装

tf.linalg.eig

。有关更多详细信息，请参阅。谢谢