tensorflow中的tf.函数是否优化运行时间？

我是用

tf读的。函数

可以通过创建一个图和

惰性评估

来优化运行时间。以下是执行矩阵乘法的示例代码：

import tensorflow as tf

def random_sample(x1,x2):
    return tf.matmul(x1,x2)

@tf.function
def random_sample_optimized(x1,x2):
    return tf.matmul(x1,x2)

x1 = tf.constant(tf.random.normal(shape=(3999,29999)))
x2 = tf.constant(tf.random.normal(shape=(29999,3999)))

计算运行时间：

import time
start = time.time()
op1 = random_sample(x1,x2)
end = time.time()
print (end-start) ## op ~avg = 7 secs

start = time.time()
op2 = random_sample_optimized(x1,x2)
end = time.time()
print (end-start) ##op ~avg = 9.5 secs

使用

tf.function

时，不仅平均值较高，而且使用

tf.function

时，每次运行的个人

运行时间也较高

关于我是否正确使用了
tf.function
或者它仅在构建复杂神经网络时提供优化，有什么建议吗？
对于复杂的计算，
tf.function
通常运行得更快。引用本书中的以下几行——“使用Scikit Learn、Keras和TensorFlow进行机器学习”以及示例：

TF函数的运行速度通常比原始Python函数快得多，特别是当它执行复杂计算时。然而，在这个简单的例子中，计算图太小了，根本没有什么需要优化的，所以tf_cube（）实际上运行得很多
比多维数据集（）慢

对于复杂的计算，
tf.function
通常运行得更快。引用本书中的以下几行——“使用Scikit Learn、Keras和TensorFlow进行机器学习”以及示例：

TF函数的运行速度通常比原始Python函数快得多，特别是当它执行复杂计算时。然而，在这个简单的例子中，计算图太小了，根本没有什么需要优化的，所以tf_cube（）实际上运行得很多
比多维数据集（）慢

tf.function
修饰函数在第一次调用时编译静态图。后续调用应该要快得多。一个
tf.function
修饰函数在第一次调用时编译一个静态图。随后的通话应该会快得多。
def cube(x):
    return x ** 3

>>> cube(2)
8
>>> cube(tf.constant(2.0))
<tf.Tensor: id=18634148, shape=(), dtype=float32, numpy=8.0>

>>> tf_cube = tf.function(cube)
>>> tf_cube
<tensorflow.python.eager.def_function.Function at 0x1546fc080>

>>> tf_cube(2)
<tf.Tensor: id=18634201, shape=(), dtype=int32, numpy=8>
>>> tf_cube(tf.constant(2.0))
<tf.Tensor: id=18634211, shape=(), dtype=float32, numpy=8.0>