张量流复制整个图

Question

我正在尝试创建一个相当通用的遗传算法实现，我是TensorFlow。我有一个缓慢的实现，并试图提高它的速度。我将提供一个非常简单的例子，说明程序进展缓慢的地方，并欢迎关于提高当前实现速度的建议。

让我们说，我们创建了以下内容：

W  = tf.Variable(tf.convert_to_tensor(Warr, dtype=tf.float32))
X  = tf.placeholder(dtype=tf.float32, shape=(3, None))
y  = tf.placeholder(dtype=tf.float32, shape=(None) )

我们想为条件找到W：

Warr = np.array([[0.1, 0, 0]])
Xarr = np.random.random((3, 100))
yarr = np.dot(Warr, Xarr)

一个简单的实现(就像我创建的那样)是这样的：

1为此执行工作设立了一个费用函数：

yHat  = tf.matmul(W, X)
costFunction = tf.reduce_mean( tf.sqrt((y - yHat)*(y - yHat)) )

请注意，成本函数可以是任意复杂的，不知道先验。因此，它将被传递到类中。请注意，代码的其余部分都是类中的摘录，但主要思想很容易理解：

2生成一个种群(在一个类中)。

self.population   = []
for i in tqdm(range(self.GAconfig['numChildren'])):
    temp = []
    for j, v in enumerate(locVars):
        v = (v + (np.random.random( v.shape ) - 0.5) * 2)
        v = tf.Variable(tf.convert_to_tensor(v, dtype=tf.float32))
        temp.append(v)
    self.population.append( temp )

为这些人口寻找成本函数是一项相当艰巨的任务。首先将人口中的权重复制到原始权重张量中，然后计算原始成本函数：

for ps in self.population:
    for i, v in enumerate(self.variables): 
        sess.run(tf.assign( self.variables[i], ps[i] ))

    result = sess.run(self.costFunction, feed_dict={
                            self.X : X, self.y : y
                            }) 

这种实现显然是缓慢的。一种可能的方法是生成一组成本函数张量，而不是权值变量，所有这些变量都可以一次更新。

然而，在这一点上，我不知道如何“良好执行”才能提高目前执行工作的速度。蚂蚁的帮助将受到极大的感谢.

注意事项：在这里可以获得完整的实现：

https://github.com/sankhaMukherjee/tfNNGA

• 它处于非常早期的阶段，因此目前的代码非常糟糕。
• GA函数的实现可以在文件src/lib/GA/GA.py中找到。
• 交叉在GA类中找到。
• 这是从文件src/moduleGA/moduleGA.py中调用的。

Answer 1

你试过下一个功能了吗？

copy_variable_to_graph
copy_op_to_graph
get_copied_op

来源