我们最近切换到 TF 2.0 的 Keras，但是当我们将它与 2.0 上的 DNNClassifier Estimator 进行比较时，我们发现 Keras 的速度慢了大约 4 倍。但我终其一生都无法弄清楚为什么会发生这种情况。两者的其余代码是相同的，使用返回相同 tf.data.Dataset 的 input_fn()，并使用相同的 feature_columns。几天来一直在努力解决这个问题。任何帮助将不胜感激。谢谢
估算器代码：
estimator = tf.estimator.DNNClassifier(
feature_columns = feature_columns,
hidden_units = [64,64],
activation_fn = tf.nn.relu,
optimizer = 'Adagrad',
dropout = 0.4,
n_classes = len(vocab),
model_dir = model_dir,
batch_norm = false)
estimator.train(input_fn=train_input_fn, steps=400)
凯拉斯代码：
feature_layer = tf.keras.layers.DenseFeatures(feature_columns);
model = tf.keras.Sequential([
feature_layer,
layers.Dense(64, input_shape = (len(vocab),), activation = tf.nn.relu),
layers.Dropout(0.4),
layers.Dense(64, activation = tf.nn.relu),
layers.Dropout(0.4),
layers.Dense(len(vocab), activation = 'softmax')]);
model.compile(
loss = 'sparse_categorical_crossentropy',
optimizer = 'Adagrad'
distribute = None)
model.fit(x = train_input_fn(),
epochs = 1,
steps_per_epoch = 400,
shuffle = True)
更新：为了进一步测试，我编写了一个自定义子类模型（请参阅：专家入门），它的运行速度比 Keras 快，但比 Estimators 慢。如果 Estimator 在 100 秒内训练，自定义模型大约需要 ~180 秒，而 Keras 大约需要 ~350 秒。一个有趣的注意事项是，使用 Adam() 的 Estimator 运行速度比 Adagrad() 慢，而 Keras 似乎运行得更快。使用 Adam()，Keras 花费的时间不到 DNNClassifier 的两倍。假设我没有弄乱自定义代码，我开始认为 DNNClassifier 只是有很多后端优化/效率，使其比 Keras 运行得更快。
自定义代码：
class MyModel(Model):
def __init__(self):
super(MyModel, self).__init__()
self.features = layers.DenseFeatures(feature_columns, trainable=False)
self.dense = layers.Dense(64, activation = 'relu')
self.dropout = layers.Dropout(0.4)
self.dense2 = layers.Dense(64, activation = 'relu')
self.dropout2 = layers.Dropout(0.4)
self.softmax = layers.Dense(len(vocab_of_codes), activation = 'softmax')
def call(self, x):
x = self.features(x)
x = self.dense(x)
x = self.dropout(x)
x = self.dense2(x)
x = self.dropout2(x)
return self.softmax(x)
model = MyModel()
loss_object = tf.keras.losses.SparseCategoricalCrossentropy()
optimizer = tf.keras.optimizers.Adagrad()
@tf.function
def train_step(features, label):
with tf.GradientTape() as tape:
predictions = model(features)
loss = loss_object(label, predictions)
gradients = tape.gradient(loss, model.trainable_variables)
optimizer.apply_gradients(zip(gradients, model.trainable_variables))
itera = iter(train_input_fn())
for i in range(400):
features, labels = next(itera)
train_step(features, labels)
更新：它可能似乎是数据集。当我在 train_input_fn() 中打印一行数据集时，在估计器中，它会打印出非急切的张量定义。在 Keras 中，它会打印出急切的值。通过 Keras 后端代码，当它接收到一个 tf.data.dataset 作为输入时，它会急切地（而且只是急切地）处理它，这就是我在 train_input_fn() 上使用 tf.function 时它崩溃的原因。基本上，我的猜测是 DNNClassifier 的训练速度比 Keras 快，因为它在图形模式下运行更多的数据集代码。将发布任何更新/发现。