为什么tensorflow中Conv的反向传播分为两种操作？ 我尝试用C++和CUDA实现TysFooad中的自定义卷积运算，并且我发现，在TracSoFoad中的VARD2D的反向传播是通过实实在在地实现的，我发现有两种操作实现，即在TysFoSoW源代码中，这意味着分别计算滤波器和输入的梯度。我想问一下，这一实施背后的想法是什么？为什么它们不是简单地合并为一个操作？
好吧，我做了一个测试，发现如果将不同输入的反向传播分解成不同的TF操作，与打包成一个TF操作相比，速度提高了约30%。这与直觉相反，可能与TF的架构有关。注：我的测试基于CUDA im2col/col2im，使用CuBLAS而不是CuDNN为什么tensorflow中Conv的反向传播分为两种操作？ 我尝试用C++和CUDA实现TysFooad中的自定义卷积运算，并且我发现，在TracSoFoad中的VARD2D的反向传播是通过实实在在地实现的，我发现有两种操作实现，即在TysFoSoW源代码中，这意味着分别计算滤波器和输入的梯度。我想问一下，这一实施背后的想法是什么？为什么它们不是简单地合并为一个操作？,tensorflow,Tensorflow,好吧，我做了一个测试，发现如果将不同输入的反向传播分解成不同的TF操作，与打包成一个TF操作相比，速度提高了约30%。这与直觉相反，可能与TF的架构有关。注：我的测试基于CUDA im2col/col2im，使用CuBLAS而不是CuDNN