python - 加速 Tensorflow 2.0 渐变带

Question

我一直在关注卷积 VAE 的 TF 2.0 教程，位于 here .

由于它是急切的，所以梯度是手动计算的，然后使用 tf.GradientTape() 手动应用。

for epoch in epochs:
  for x in x_train:
    with tf.GradientTape() as tape:
      loss = compute_loss(model, x)
    apply_gradients(tape.gradient(loss, model.trainable_variables))

该代码的问题在于它非常慢，每个周期大约需要 40-50 秒。如果我将批量大小增加很多(到 2048 左右)，那么最终每个周期大约需要 8 秒，但模型的性能会下降很多。

另一方面，如果我做一个更传统的模型(即使用基于惰性图的模型而不是渴望模型)，例如 here ，那么即使批量大小很小，每个 epoch 也需要 8 秒。

model.add_loss(lazy_graph_loss)
model.fit(x_train epochs=epochs)

根据这些信息，我的猜测是 TF2.0 代码的问题在于手动计算损失和梯度。

有什么方法可以加快TF2.0代码的速度，使其更接近正常代码？

Answer 1

我找到了解决方案:TensorFlow 2.0引入了functions的概念，它将 eager 代码转换为图形代码。

用法非常简单。唯一需要的更改是所有相关函数(例如 compute_loss 和 apply_gradients)都必须使用 @tf.function 进行注释。