【发布时间】：2017-10-30 16:10:41
【问题描述】：
我正在尝试实现此方法以与 TensorFlow 一起使用（取自 here）：
def _jacobian_product_sq_euc(X, Y, E, G):
m = X.shape[0]
n = Y.shape[0]
d = X.shape[1]
for i in range(m): # 0 - 4
for j in range(n):
for k in range(d):
G[i, k] += E[i,j] * 2 * (X[i, k] - Y[j, k])
我已经使用三个 tf.while_loops 重写了它，但注意到它非常慢（工作示例 here）：
def calc_score():
gm = tf.zeros([16, 256])
i = 0
i_max = 16
j_max = 16
d_max = 256
while_condition_loop1 = lambda i, gm_score: tf.less(i, i_max)
while_condition_loop2 = lambda i, j, gm_score: tf.less(j, j_max)
while_condition_loop3 = lambda i, j, d, gm_score: tf.less(d, d_max)
gm_score = tf.constant(0.)
def loop3(i, j, d, gm_score):
gm_score = gm_score + e[i+1, j+1] * 2 * tf.abs((x[i,d] - y[j, d]))
return [i, j, tf.add(d,1), gm_score]
def loop2(i, j, gm_score):
d = 0
_, _, _, gm_score = tf.while_loop(while_condition_loop3, loop3, [i, j, d, gm_score])
return [i, tf.add(j,1), gm_score]
def loop1(i, gm_score):
j = 0
_, _, gm_score = tf.while_loop(while_condition_loop2, loop2, [i, j, gm_score])
return [tf.add(i,1), gm_score]
_, gm_score = tf.while_loop(while_condition_loop1, loop1, [i, gm_score])
return gm_score
（注意：我知道在这种情况下我返回的是单个值，而不是矩阵。但这是一个单独的问题）
计算一系列 16x256 值大约需要 4-5 秒。现在我想知道如何优化它。在这种情况下，是否有使用 tf.while_loop 的替代方法？我的 CPU 似乎也有相当高的负载，我在训练时收到很多这样的消息：
2017-10-30 17:00:51.234993: I tensorflow/core/common_runtime/gpu/pool_allocator.cc:247] PoolAllocator：在 257610 次获取请求后，put_count=385620 evicted_count=128000 eviction_rate=0.331933 且不满意分配率=0
我对 TensorFlow 的了解仍然有限，我想知道可以做些什么来优化这种方法。
我正在使用 python 2.7 和 TensorFlow 1.2.0
【问题讨论】：
标签： python tensorflow