tensorflow - tf.py_function和tf.function在目的上有什么区别？

Question

尽管有什么渴望和什么不是什么的细微差别，但两者之间的差异却在我的脑海中迷惑了。据我所知，@tf.function装饰器在此方面有两个好处

它将功能转换为TensorFlow图以提高性能，以及

通过将许多(但不是全部)常用的Python运算解释为张量运算(例如tensor运算)，从而提供了更加Pythonic的编码风格。将if转换为tf.cond等。

从tf.py_function的定义来看，它似乎只是上面的＃2。因此，当tf.py_function可以提高启动性能并且没有前者无法序列化时，为什么还要对tf.function感到困扰呢？

Answer 1

随着它们的改进，它们确实确实开始彼此相似，因此查看它们的来源很有用。最初的区别是:

@tf.function将python代码转换为一系列TensorFlow图节点。

tf.py_function将现有的python函数包装到单个图节点中。

这意味着tf.function要求您的代码相对简单，而tf.py_function可以处理任何python代码，无论多么复杂。
尽管这一行确实很模糊，但tf.py_function进行了更多的解释，并且tf.function接受了很多复杂的python命令，但一般规则保持不变:

如果您的python代码中的逻辑比较简单，请使用tf.function。

当您使用复杂的代码时，例如大型外部库(例如，连接到数据库或加载大型外部NLP包)，请使用tf.py_function。