Tensorflow 如何在tf2.0上同时进行多个回迁？

在tf1中，我可以定义所需获取和使用的列表

sess.run(myList, feed_dict)

获取tf1通过图形同时计算的列表的所有元素。如何在tf2.0中执行此操作

tf1中的示例代码：

import tensorflow as tf
a = [None]*5
for i in range(5):
    a[i] = tf.Variable(tf.random.normal([3,3]))
fetch_list = [None]*5
for i in range(5):
    fetch_list[i] = tf.add(tf.gather(a, i), tf.ones([3,3]))

sess = tf.Session()
sess.run(tf.global_variables_initializer())
sess.run(fetch_list)

---

我没有检查上面的代码是否运行，但我希望您能理解这一点。谢谢，因为默认情况下tf 2.x执行得很快，您只需执行以下操作：

然后像以前一样填充

fetch_list

根据你的实词例子的复杂性，你也可以考虑使用<代码> @ tf.Fult，它在推送数据之前建立一个执行图，以帮助类似于TF1的优化（这是一个巨大的过度简化，但你明白了）。p> <>你可以考虑对代码进行简单化/再修改，以促进这一点。可能最好只使用张量，而不是张量列表。很难确切地建议如何实现这一点，因为我不知道您为您的示例简化了什么

例如，如果我们认为你的代码> FutChyList是<代码>（5，3，3）< /代码>张量，而不是一个5代码>（3，3）张量的列表，那么我相信你会意识到你的简化示例代码（或多或少）归结为这样的事情：

@tf.function
def get_list(n):
  return tf.random.normal((n,3,3))

fetch_list = get_list(5)

---

上面的代码将串行执行它。您建议使用@tf.function使其同时运行。用tf.add（tf.gather，…）替换的完整操作的矢量化非常困难。在我的例子中，坚持列表要简单得多。但是，在您之前提供的解决方案中，我遇到了一些非常奇怪的问题。我的内存使用量不断增长，直到超出界限，就像我们在tf1中不断添加图形元素一样。

@tf.function
def get_list(n):
  return tf.random.normal((n,3,3))

fetch_list = get_list(5)