Python Keras不合理地比TensorFlow慢
我正在尝试实现的神经网络，但使用的是Keras 您将在文章的底部找到这两种实现的代码 我的问题是，TensorFlow的代码大约需要1m30分钟，Keras的代码需要18分钟 我的问题是:Python Keras不合理地比TensorFlow慢,python,tensorflow,machine-learning,keras,Python,Tensorflow,Machine Learning,Keras,我正在尝试实现的神经网络，但使用的是Keras 您将在文章的底部找到这两种实现的代码 我的问题是，TensorFlow的代码大约需要1m30分钟，Keras的代码需要18分钟 我的问题是: 我在将TensorFlow代码翻译成Keras代码时犯了新手错误吗 还是凯拉斯的速度太慢了？如果是的话，可以修复吗 Tensorflow代码： 来自tensorflow.examples.tutorials.mnist导入输入数据 mnist=输入数据。读取数据集（'mnist\U数据'，one\U h
- 我在将TensorFlow代码翻译成Keras代码时犯了新手错误吗
- 还是凯拉斯的速度太慢了？如果是的话，可以修复吗
Tensorflow代码：
来自tensorflow.examples.tutorials.mnist导入输入数据
mnist=输入数据。读取数据集（'mnist\U数据'，one\U hot=真）
导入tensorflow作为tf
def重量_变量（形状）：
初始值=tf.截断的_法线（形状，标准差=0.1）
返回tf.变量（初始值）
def偏差_变量（形状）：
初始=tf.常数（0.1，形状=形状）
返回tf.变量（初始值）
def conv2d（x，W）：
返回tf.nn.conv2d（x，W，步长=[1,1,1,1]，padding='SAME'）
def max_pool_2x2（x）：
返回tf.nn.max_pool（x，ksize=[1,2,2,1]，
步幅=[1,2,2,1]，填充='SAME'）
x=tf.placeholder（tf.float32，[None，784]）
x_image=tf.重塑（x，[-1,28,28,1]）
y=tf.占位符（tf.float32，[None，10]）
神经元\u nb\u层\u 1=32
神经元\u nb\u层\u 2=64
神经元\u nb\u层\u 3=1024
W_conv1=权重_变量（[5,5,1，神经元\u nb\u层\u 1]）
b_conv1=偏差变量（[神经元\u nb\u层\u 1]）
h_conv1=tf.nn.relu（conv2d（x_图像，W_conv1）+b_conv1）
h_池1=最大池2（h_池1）
W_conv2=权重_变量（[5,5，神经元_nb_层_1，神经元_nb_层_2]）
b_conv2=偏差变量（[神经元\u nb\u层\u 2]）
h_conv2=tf.nn.relu（conv2d（h_pool1，W_conv2）+b_conv2）
h_池2=最大池2×2（h_池2）
W_fc1=权重变量（[7*7*神经元\u nb\u层\u 2，神经元\u nb\u层\u 3]）
b_fc1=偏差变量（[神经元\u nb\u层\u 3]）
h_pool2_flat=tf.重塑（h_pool2，[-1,7*7*神经元\u nb\u层\u 2]）
h_fc1=tf.nn.relu（tf.matmul（h_pool2_flat，W_fc1）+b_fc1）
keep_prob=tf.placeholder（tf.float32）
h_fc1_drop=tf.nn.drop（h_fc1，keep_prob）
W_fc2=权重变量（[neurons_nb_layer_3,10]）
b_fc2=偏差_变量（[10]）
y_conv=tf.matmul（h_fc1_drop，W_fc2）+b_fc2
交叉熵=tf.reduce\u平均值(
tf.nn.softmax_cross_entropy_与_logits（labels=y，logits=y\u conv））
列车步长=tf.列车AdamOptimizer（1e-4）.最小化（交叉熵）
正确的预测=tf.equal（tf.argmax（y_conv，1），tf.argmax（y_，1））
准确度=tf.reduce_平均值（tf.cast（正确的预测，tf.float32））
导入日期时间
start=datetime.datetime.now（）
使用tf.Session（）作为sess：
sess.run（tf.global\u variables\u initializer（））
对于范围（600）内的i：
批次=列表列下一批（50）
如果i%100==0：
列精度=精度。评估（进给量）={
x:batch[0]，y:batch[1]，keep_prob:1.0}）
打印（'步骤%d，训练精度%g'（i，训练精度））
train_step.run（feed_dict={x:batch[0]，y_:batch[1]，keep_prob:0.5}）
打印（'测试精度%g''精度.评估（进纸指令={
x:mnist.test.images，y:mnist.test.labels，keep_prob:1.0}）
end=datetime.datetime.now（）
时间=（结束-开始）。秒
打印（时间//60，“分钟”，时间%60，“秒”）
Keras代码：
来自tensorflow.examples.tutorials.mnist导入输入数据
mnist=输入数据。读取数据集（'mnist\U数据'，one\U hot=真）
进口干酪
从keras.models导入顺序
模型=顺序（）
偏差\初始值设定项=keras.初始值设定项.常数（值=0.1）
神经元\u nb\u层\u 1=32
神经元\u nb\u层\u 2=64
神经元\u nb\u层\u 3=1024
从keras.layers导入重塑、Conv2D、MaxPoolig2D、衰减、展平、密集
添加（重塑（（28,28,1），输入_形状=（784，））
添加（Conv2D（过滤器=神经元\u nb\u层\u 1，内核大小=5*5，填充='same'，activation=“relu”，bias\u初始值设定项=bias\u初始值设定项））
model.add（MaxPooling2D（padding='same'））
添加（Conv2D（过滤器=神经元\u nb\u层\u 2，内核大小=5*5，填充='same'，activation=“relu”，bias\u初始值设定项=bias\u初始值设定项））
model.add（MaxPooling2D（padding='same'））
添加模型（重塑（（1,7*7*neurons\u nb\u layer\u 2）））
添加（密集（单位=神经元\u nb\u层\u 3，激活=“relu”，偏差\u初始值设定项=偏差\u初始值设定项））
模型添加（辍学率=0.5））
model.add（展平（））
添加（密集（单位=10，激活=“relu”））
model.summary（）
model.compile（loss=keras.loss.categorical_交叉熵，
优化器='adam'，
指标=['准确度']
)
导入日期时间
start2=datetime.datetime.now（）
对于范围（600）内的i：
批次=列表列下一批（50）
如果i%100==0：
列车精度=模型评估（批次[0]，批次[1]）
打印（“步骤”，i，：”，序列号精度）
型号.批次上的序列号（批次[0]，批次[1]）
end2=datetime.datetime.now（）
time2=（end2-start2）。秒
打印（时间2//60，“分钟”，时间2%60，“秒”）
内核\u size=5*525x255x5您可能想使用
kernel\u size=（5,5）kernel\u size=5softmax