python - 处理类中的 tensorflow session

Question

我正在使用 tensorflow 来预测神经网络的输出。我有一个类，我在其中描述了神经网络，并且有一个主文件，其中进行预测，并根据结果更新权重。然而，预测似乎真的很慢。我的代码如下所示:

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})

主文件如下所示:

sess = tf.Session()
predictor = NNPredictor()

input = #some initial value 
for i in range(iter):
    output = predictor.predict_output(sess, input)
    input = #some function of output

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

代码的运行速度几乎快了 20-30 倍。我似乎不明白这里的事情是如何运作的，我想知道最佳实践是什么。

Answer 1

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:

import time

runs = 10000000

class A:
    def __init__(self):
    self.val = 1

    def get_val(self):
    return self.val

# Using method to then call object attribute
obj = A()
start = time.time()
total = 0
for i in xrange(runs):
    total += obj.get_val()
end = time.time()
print end - start

# Using object attribute directly
start = time.time()
total = 0
for i in xrange(runs):
    total += obj.val
end = time.time()
print end - start

# Assign to local_var first
start = time.time()
total = 0
local_var = obj.get_val()
for i in xrange(runs):
    total += local_var
end = time.time()
print end - start

在我的计算机上，它按以下时间运行:

1.49576115608
0.656110048294
0.551875114441

具体到您的情况，您在第一种情况下调用对象方法，但在第二种情况下不这样做。如果您以这种方式多次调用代码，则会出现显着的性能差异。