Python 调用tf.session.run会变慢

我在执行nlp任务时遇到问题。我想将模块用于单词嵌入，它会产生输出，但它的运行时间会随着每次迭代调用而增加。我已经读过不同的解决方案，但我无法让它们发挥作用。我怀疑使用这个方法是一个很好的解决方案，但我不知道在这个例子中如何使用它们

我的问题的示例代码：

embedder=hub.Module（“https://tfhub.dev/google/nnlm-en-dim128-with-normalization/1")
session=tf.session（）
session.run（tf.global\u variables\u initializer（））
session.run（tf.tables\u initializer（））
文档=[“示例1”、“示例2”、“示例3”、“示例4”、…]、[…]、…]
对于文件中的段落：
vectors=session.run（嵌入器（段落））
#用向量做点什么

请注意，文档不能一次全部馈送到嵌入器

---

提前感谢。

您在每次迭代中都会重新创建整个模型，因此TensorFlow图不断增长。相反，您应该有一个带有占位符的单一模型作为输入，然后输入不同的段落

embedder = hub.Module("https://tfhub.dev/google/nnlm-en-dim128-with-normalization/1")
session = tf.Session()
session.run(tf.global_variables_initializer())
session.run(tf.tables_initializer())

doc = [["Example1", "Example2", "Example3", "Example4", ...], [...], ...]

my_input = tf.placeholder(tf.string, [None])
my_embedder = embedder(my_input)
for paragraph in doc:
   vectors = session.run(my_embedder, feed_dict={my_input: paragraph})
   #do something with vectors

---

非常感谢我读到的，这就是问题所在，但我不确定如何使用占位符。