我用张量流来预测神经网络的输出。我有一节课,我描述了神经网络,我有一个主文件,其中预测正在进行,并根据结果,权重被更新。然而,这些预测似乎非常缓慢。我的代码是这样的:
class NNPredictor():
def __init__(self):
self.input = tf.placeholder(...)
...
self.output = (...) #Neural network output
def predict_output(self, sess, input):
return sess.run(tf.squeeze(self.output), feed_dict = {self.input: input})
以下是主文件的外观:
^{pr2}$但是,如果我在类中使用以下函数定义:
def predict_output(self):
return self.output
主文件如下:
sess = tf.Session()
predictor = NNPredictor()
input = #some initial value
output_op = predictor.predict_value()
for i in range(iter):
output = np.squeeze(sess.run(output_op, feed_dict = {predictor.input: input}))
input = #some function of output
代码运行速度快了20-30倍。我似乎不明白这里的情况如何,我想知道最好的做法是什么。在
这与Python屏蔽的底层内存访问有关。下面是一些示例代码来说明这个想法:
在我的电脑上,它按以下时间运行:
^{pr2}$具体到您的情况,您在第一种情况下调用object方法,但在第二种情况下不调用它。如果以这种方式多次调用代码,那么性能会有很大的差异。在
相关问题 更多 >
编程相关推荐