Tensorflow 2.0 Keras的训练速度比2.0 Estimator低4倍

Question

我们最近切换到Keras for TF 2.0，但是当我们将它与2.0版的DNNClassifier Estimator进行比较时，我们使用Keras的速度降低了大约4倍。但我不能为我的生活弄清楚为什么会这样。两个代码的其余部分是相同的，使用input_fn（）返回相同的tf.data.Dataset，并使用相同的feature_columns。几天来一直在努力解决这个问题。任何帮助将非常感激。谢谢

估算代码：

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)

硬编码：

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，我写了一个自定义子类模型（参见：Get Started For Experts），它运行速度比Keras快，但比估算器慢。如果Estimator在100秒内训练，则自定义模型大约需要180秒，而Keras大约需要350秒。有趣的是，Estimator使用Adam（）的速度比Adagrad（）慢，而Keras似乎跑得更快。使用Adam（）Keras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只有很多后端优化/效率，使其运行速度比Keras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：它似乎可能是数据集。当我在train_input_fn（）中打印一行数据集时，在估算器中，它会打印出非急切的Tensor定义。在Keras，它打印出急切的价值观。通过Keras后端代码，当它收到一个tf.data.dataset作为输入时，它急切地（并且只是急切地）处理它，这就是为什么每当我在train_input_fn（）上使用tf.function时它都会崩溃。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。

Answer 1

我认为它较慢，因为它没有在图表上执行。为了在TF2中的图形上执行，你需要一个用tf.function装饰器修饰的函数。查看this section，了解有关如何重构代码的建议。