我注意到从 jupyter notebook 内部运行 tensorflow 代码时的性能（速度）差异非常显着，而不是从命令行作为脚本运行它。
例如，下面是运行 MNIST CNN 教程的结果（https://www.tensorflow.org/code/tensorflow/examples/tutorials/mnist/fully_connected_feed.py）
设置：
具有 32 个 Xeon-CPUS、62GB 内存、4 个 K520 GPUS（4GB 内存）的 AWS 实例
Linux：3.13.0-79 Ubuntu
Tensorflow：0.10.0rc0（从支持 GPU 的来源构建）
Python：3.5.2 |Anaconda 自定义（64 位）|
CUDA 库：libcublas.so.7.5、libcudnn.so.5、libcufft.so.7.5、libcuda.so.1、libcurand.so.7.5
训练步数：2000
Jupyter 笔记本执行时间：
这并没有包括时间的进口和加载数据集-只是训练阶段
CPU times: user 8min 58s, sys: 0 ns, total: 8min 58s
Wall time: 8min 20s
命令行执行：
这是执行完整脚本的时间。
real 0m18.803s
user 0m11.326s
sys 0m13.200s
在这两种情况下都使用 GPU，但利用率更高（命令行训练阶段通常为 35%，而笔记本版本为 2-3%）。我什至尝试将其手动放置在不同的 GPU 上，但这对笔记本执行时间没有太大影响。
关于为什么会这样的任何想法/建议？
我有一个关于通过tensorflow python api更新张量值的基本问题.
考虑代码段:
x = tf.placeholder(shape=(None,10), ... )
y = tf.placeholder(shape=(None,), ... )
W = tf.Variable( randn(10,10), dtype=tf.float32 )
yhat = tf.matmul(x, W)
现在让我们假设我想实现某种迭代更新W值的算法(例如一些优化算法).这将包括以下步骤:
for i in range(max_its):
resid = y_hat - y
W = f(W , resid) # some update
这里的问题是W在LHS上是一个新的张量,而不是W用于yhat = tf.matmul(x, W)!也就是说,创建了一个新变量,并且W我的"模型"中使用的值不会更新.
现在解决这个问题的方法就是这样
for i in range(max_its):
resid = y_hat - y
W = f(W , resid) # some update
yhat = tf.matmul( x, W)
这导致为我的循环的每次迭代创建一个新的"模型"!
是否有更好的方法来实现这个(在python中)而不为循环的每次迭代创建一大堆新模型 - …
我是 cython 的新手，我正在尝试编写一个需要重复对部分排序数组进行排序的算法。看起来python的标准排序（timsort？）对此非常有用，但我还没有弄清楚如何从cythonized函数内部调用这个函数。
也就是说，我想做类似的事情：
cdef void myfunc(double* y) nogil:
double *y_sort = sort(y)
任何有关如何执行此操作的指示将不胜感激。