Tensorflow 的计算时间在非常简单的“for 循环”中逐渐变慢

Question

我在 tensorflow 上有一个非常奇怪的问题。我将我的问题简化为以下版本？

我只是用tensorflow语言写了一个简单的矩阵乘法，然后我把这个矩阵乘法放在一个“for循环”中（当然你可以把其他复杂的函数放在for循环中，结论是一样的）。

我设置了 10000 次迭代？并打印每个循环中消耗的时间，然后我可以观察到时间的消耗逐渐增加。？我希望每个循环的时间应该相同？但事实并非如此。）

import tensorflow as tf
import numpy as np
import datetime  

graph=tf.Graph()
with graph.as_default():  
    with tf.device("/gpu:0"):
        a=np.arange(10).reshape(1,-1)
        b=np.arange(100).reshape(10,10)
        A = tf.placeholder(tf.float32, [1,10])
        B = tf.placeholder(tf.float32, [10,10])


        sess = tf.InteractiveSession()

        for step in range(10000):
            starttime = datetime.datetime.now()  

            RESULT = tf.matmul(A,B)
            RESULT=sess.run(RESULT,feed_dict={A: a, B: b})

            endtime = datetime.datetime.now()  
            print(endtime-starttime)

开始时，程序打印以下结果：

0:00:00.003058
0:00:00.003216
0:00:00.003195
0:00:00.003213
0:00:00.003653
0:00:00.003599
0:00:00.003297
0:00:00.003172
0:00:00.003235
0:00:00.004374
0:00:00.003442
0:00:00.003387
0:00:00.003290

几秒钟后，我得到了这个：

0:00:00.011470
0:00:00.013232
0:00:00.013088
0:00:00.015906
0:00:00.012659
0:00:00.012914
0:00:00.012562
0:00:00.011941
0:00:00.013575
0:00:00.012251
0:00:00.013759
0:00:00.012534
0:00:00.011859

...

0:00:00.031062
0:00:00.031676
0:00:00.031388
0:00:00.031349
0:00:00.032476
0:00:00.031337
0:00:00.031147
0:00:00.031121
0:00:00.030795
0:00:00.031143
0:00:00.031277
0:00:00.031015
0:00:00.034139
0:00:00.032749

这意味着计算速度变慢了。谁能告诉我为什么？非常感谢。

Answer 1

每次执行循环时，您都在创建一个新操作。(tf.matmul)

因此，您的张量流图越来越失控。

在 tensorflow 中，您创建一次操作（例如：tf.matmul(A,B)），然后使用 sess.run 多次执行此操作（例如：sess.run(RESULT, feed_dict={A: ai, B:双}。

创建一个操作就像编写一个函数或创建一个处理单元，你只需要创建一次，然后你就可以将它与许多输入一起使用。

Answer 2

阿诺德是对的。要补充他的答案，您应该做的是以下内容：

import tensorflow as tf
import numpy as np
import datetime  

graph=tf.Graph()
with graph.as_default():  
    with tf.device("/gpu:0"):
        a = np.arange(10).reshape(1,-1)
        b = np.arange(100).reshape(10,10)
        A = tf.placeholder(tf.float32, [1,10])
        B = tf.placeholder(tf.float32, [10,10])
        C = tf.matmul(A,B) #changed

        sess = tf.InteractiveSession()

        for step in range(10000):
            starttime = datetime.datetime.now()  

            RESULT = sess.run(C,feed_dict={A: a, B: b}) #changed

            endtime = datetime.datetime.now()  
            print(endtime-starttime)

这样，您tf.matmul只需创建一次操作。