Python 在类中处理tensorflow会话

我用tensorflow来预测神经网络的输出。我有一个类，在那里我描述了神经网络，我有一个主文件，在那里进行预测，并根据结果更新权重。然而，预测似乎非常缓慢。下面是我的代码的样子：

class NNPredictor():
    def __init__(self):
        self.input = tf.placeholder(...)
        ...
        self.output = (...) #Neural network output
    def predict_output(self, sess, input):
        return sess.run(tf.squeeze(self.output), feed_dict = {self.input: input})

sess = tf.Session()
predictor = NNPredictor()

input = #some initial value 
for i in range(iter):
    output = predictor.predict_output(sess, input)
    input = #some function of output

以下是主文件的外观：

class NNPredictor():
    def __init__(self):
        self.input = tf.placeholder(...)
        ...
        self.output = (...) #Neural network output
    def predict_output(self, sess, input):
        return sess.run(tf.squeeze(self.output), feed_dict = {self.input: input})

sess = tf.Session()
predictor = NNPredictor()

input = #some initial value 
for i in range(iter):
    output = predictor.predict_output(sess, input)
    input = #some function of output

但是，如果我在类中使用以下函数定义：

    def predict_output(self):
        return self.output

并具有如下主文件：

sess = tf.Session()
predictor = NNPredictor()

input = #some initial value 
output_op = predictor.predict_value()
for i in range(iter):
    output = np.squeeze(sess.run(output_op, feed_dict = {predictor.input: input}))
    input = #some function of output

---

代码运行速度快了20-30倍。我似乎不明白这里的工作原理，我想知道最佳实践是什么。

这与Python屏蔽的底层内存访问有关。下面是一些示例代码来说明这个想法：

import time

runs = 10000000

class A:
    def __init__(self):
    self.val = 1

    def get_val(self):
    return self.val

# Using method to then call object attribute
obj = A()
start = time.time()
total = 0
for i in xrange(runs):
    total += obj.get_val()
end = time.time()
print end - start

# Using object attribute directly
start = time.time()
total = 0
for i in xrange(runs):
    total += obj.val
end = time.time()
print end - start

# Assign to local_var first
start = time.time()
total = 0
local_var = obj.get_val()
for i in xrange(runs):
    total += local_var
end = time.time()
print end - start

在我的计算机上，它按以下时间运行：

1.49576115608
0.656110048294
0.551875114441

---

具体到您的情况，您在第一种情况下调用对象方法，但在第二种情况下不调用对象方法。如果您以这种方式多次调用代码，则会有显著的性能差异。

这与Python屏蔽的底层内存访问有关。下面是一些示例代码来说明这个想法：

import time

runs = 10000000

class A:
    def __init__(self):
    self.val = 1

    def get_val(self):
    return self.val

# Using method to then call object attribute
obj = A()
start = time.time()
total = 0
for i in xrange(runs):
    total += obj.get_val()
end = time.time()
print end - start

# Using object attribute directly
start = time.time()
total = 0
for i in xrange(runs):
    total += obj.val
end = time.time()
print end - start

# Assign to local_var first
start = time.time()
total = 0
local_var = obj.get_val()
for i in xrange(runs):
    total += local_var
end = time.time()
print end - start

在我的计算机上，它按以下时间运行：

1.49576115608
0.656110048294
0.551875114441

---

具体到您的情况，您在第一种情况下调用对象方法，但在第二种情况下不调用对象方法。如果您以这种方式多次调用代码，则会有显著的性能差异。

感谢您的回答，我确实意识到调用对象方法可能会带来一定的开销，但这里的开销太大了。例如，在一次迭代中，调用对象方法需要0.03秒，而在没有对象方法的情况下，通常需要0.001-0.002s。这一切可能仅仅是因为你提到的，还是还有其他原因呢？我没有对单个对象方法调用进行计时。但是如果你的计时是正确的，它大约是20倍，不是吗？是的，但是我使用的代码有点不同。那边的方法是：

返回tf.squese（self.output）

。起初，我认为它无关紧要，但现在我意识到它很慢，因为它每次都创建一个新节点，而另一个

predict\u value（）

函数也没有显示。也许您可以将所有相关函数添加到您的问题中，以便将来其他人能够理解。感谢您的回答，我确实意识到调用对象方法可能会带来一定的开销，但这里的开销太高了。例如，在一次迭代中，调用对象方法需要0.03秒，而在没有对象方法的情况下，通常需要0.001-0.002s。这一切可能仅仅是因为你提到的，还是还有其他原因呢？我没有对单个对象方法调用进行计时。但是如果你的计时是正确的，它大约是20倍，不是吗？是的，但是我使用的代码有点不同。那边的方法是：

返回tf.squese（self.output）

。起初，我认为它无关紧要，但现在我意识到它很慢，因为它每次都创建一个新节点，而另一个

predict\u value（）

函数也没有显示。也许你可以在你的问题中添加所有相关的功能，以便将来其他人能够理解。