Tensorflow 当列表包含1000000个元素时，转换为tf.constant太慢

进行培训的最佳方式是什么。太慢了！我不知道为什么会这么慢

samples_all = tf.constant(samples_all)//more than 1000000 elems
labels_all = tf.constant(labels_all)
[sample, label] = tf.train.slice_input_producer([samples_all, labels_all])

---

所有示例都包含超过1000000个表示图像路径的字符串元素。代码中的前两行太长，无法执行。

下面是一个示例，在我的MacBook上，将2M字符串加载到字符串变量中所花费的时间不到1秒。变量对于大常量的效率高于

tf.constant

，后者在图中内联。请注意，还有

tf.string\u input\u producer

，它可以处理大量字符串列表，而无需将它们全部加载到TensorFlow内存中

n = 2000000
string_list = np.asarray(["string"]*n);

sess = tf.Session()
var_input = tf.placeholder(dtype=tf.string, shape=(n,))
var = tf.Variable(var_input)

start = time.time()
# var.initializer is equivalent to var.assign(var_input).op
sess.run(var.initializer, feed_dict={var_input: string_list})
elapsed = time.time()-start
rate = n*6./elapsed/10**6    
print("%.2f MB/sec"%(rate,))  # => 15.13 MB/sec

---

请在您的问题中添加更多细节。对我来说似乎不完整。@psyco谢谢你的重播，我已经改变了问题。@keyur9779你是什么意思？你发错人了吗？1000000太大了，不能用作常量，你应该改用变量，然后用

samples\u all

使用

var.assign

和

feed\u dict

@YaroslavBulatov对其进行初始化，谢谢！好的，我试试看