Tensorflow 动态：TF和v之间的性能不一致。1.0.0和1.2.0

考虑到从TF版本1.0.0升级到1.2.0后性能急剧下降，我试图了解我的

GRUCell

和

dynamic\u rnn

有什么问题

旧环境是Ubuntu，Python版本2.7，TF版本1.0.0，新环境是Ubuntu，Python版本3.5.3，TF版本1.2.0

我在1.2版的发行说明中看到，多层RNN的实现方式有一些变化，对1.1版之前的版本的实现方式有一些影响，所以我想我应该尝试一下

旧代码的相关部分通常如下所示：

cell = tf.nn.rnn_cell.GRUCell(CELL_SIZE)
cell = tf.contrib.rnn.DropoutWrapper(cell, output_keep_prob=keep_prob)
multicell = tf.nn.rnn_cell.MultiRNNCell([cell]*N_LAYERS, state_is_tuple=False)

output, state = tf.nn.dynamic_rnn(multicell, X, dtype=tf.float32, initial_state=in_state)

preds = tf.contrib.layers.linear(output, 1)
loss = tf.reduce_mean(tf.square(preds - Y_))
train_step = tf.train.AdamOptimizer(LR).minimize(loss)
preds = tf.reshape(preds, [batchsize, -1], name='preds')

cells = [tf.nn.rnn_cell.GRUCell(INTERNALSIZE) for _ in range(NLAYERS)]
dropcells = [tf.contrib.rnn.DropoutWrapper(cell,input_keep_prob=keep_prob) for cell in cells]
multicell = tf.nn.rnn_cell.MultiRNNCell(dropcells, state_is_tuple=False)
multicell = tf.contrib.rnn.DropoutWrapper(multicell, output_keep_prob=keep_prob)

output, state = tf.nn.dynamic_rnn(multicell, X, dtype=tf.float32, initial_state=in_state)

preds = tf.contrib.layers.linear(Yr, 1)
loss = tf.reduce_mean(tf.square(preds - Y_))
train_step = tf.train.AdamOptimizer(LR).minimize(loss)
preds = tf.reshape(preds, [batchsize, -1], name='preds')

我在报告中看到：

大宗报价 RNNCell对象现在是tf.layers.Layer的子类。TensorFlow 1.1版本中描述的严格性已经消失：第一次使用RNNCell时，它会缓存其范围。RNNCell的所有未来用途都将重用同一范围内的变量。这是TensorFlow版本中RNNCells行为的突破性变化