开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

TensorFlow Keras: tf.keras.Model train_on_batch vs make_train_function -为什么一个比另一个慢？

TensorFlow Keras是一个用于构建和训练神经网络的高级API。在这个问题中，我们要讨论tf.keras.Model的train_on_batch方法和make_train_function方法之间的性能差异。

tf.keras.Model train_on_batch方法是一个用于在给定输入数据上进行单个训练步骤的方法。它接受一个批次的训练样本和相应的标签，并更新模型的权重。这个方法适用于小规模的训练数据集，并且在每个训练步骤中都会计算并更新梯度。它的优势是简单易用，适用于快速的原型开发和调试。
make_train_function方法是一个用于创建一个自定义的训练函数的方法。它可以让我们更精细地控制训练过程，并实现更复杂的训练逻辑。相比于train_on_batch方法，make_train_function方法更适用于大规模的训练数据集和复杂的训练过程。使用make_train_function方法，我们可以自定义训练逻辑，例如使用自定义的损失函数、指定不同的优化器、添加自定义的指标等。这个方法的优势是灵活性高，可以满足各种复杂的训练需求。

为什么一个比另一个慢，取决于具体的使用场景和实现细节：

train_on_batch方法在每个训练步骤中都会计算并更新梯度，这可能会导致较大的计算开销。对于大规模的训练数据集，这种计算开销可能会导致性能下降，因为每个训练步骤的计算时间可能会很长。
make_train_function方法在创建自定义的训练函数时，可以选择是否计算并更新梯度。如果我们选择不计算梯度，而是在训练函数中手动实现梯度更新，那么可能会更快一些。此外，make_train_function方法的灵活性也可能导致一些额外的开销，例如计算自定义的损失函数、指标等。

综上所述，train_on_batch方法适用于快速的原型开发和调试，而make_train_function方法适用于大规模的训练数据集和复杂的训练需求。在选择使用哪个方法时，我们需要根据具体的需求和性能考虑做出决策。

以下是腾讯云相关产品和产品介绍链接地址（仅供参考）：

腾讯云机器学习平台：https://cloud.tencent.com/product/tiia
腾讯云深度学习服务：https://cloud.tencent.com/product/tensorflow
腾讯云AI平台服务：https://cloud.tencent.com/product/ai

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

干货 | TensorFlow 2.0 模型：Keras 训练流程及自定义组件

本文介绍以下内容：使用 Keras 内置的 API 快速建立和训练模型，几行代码创建和训练一个模型不是梦；自定义 Keras 中的层、损失函数和评估指标，创建更加个性化的模型。...Keras Pipeline * 在之前的文章中，我们均使用了 Keras 的 Subclassing API 建立模型，即对 tf.keras.Model 类进行扩展以定义自己的新模型，同时手工编写了训练和评估模型的流程...通过向 tf.keras.models.Sequential() 提供一个层的列表，就能快速地建立一个 tf.keras.Model 模型并返回： 1 model = tf.keras.models.Sequential...事实上，我们不仅可以如前文的介绍一样继承 tf.keras.Model 编写自己的模型类，也可以继承 tf.keras.layers.Layer 编写自己的层。...Q7.tf 团队可以支持下微软的 python-language-server 团队吗，动态导入的包特性导致 vs code 的用户无法自动补全，tf2.0 让我可望不可即 A：请参考 https://

3.3K0 0

keras实现图像预处理并生成一个generator的案例

2] [Keras] fit()、fit_generator() 和 train_on_batch() 分析与应用前言是的，除了水报错文，我也来写点其他的。...import tensorflow as tf model = tf.keras.models.Sequential([ ... // 你的模型 ]) model.fit(train_x, // 训练输入...如果数据集大小不能整除batch_size，而且你打算使用最后一个batch的数据（该batch比batch_size要小），此时使用np.ceil(len(y)/batch_size)。...train_on_batch()函数 train_on_batch()函数接受一个batch的输入和标签，然后开始反向传播，更新参数等。...大部分情况下你都不需要用到train_on_batch()函数，除非你有着充足的理由去定制化你的模型的训练流程。结语本文到此结束啦！希望能给大家一个参考。

1.3K3 0

TensorFlow 2.0快速上手指南12条：“Keras之父”亲授 | 高赞热贴

铜灵编译整理量子位出品| 公众号 QbitAI 如何用TensorFlow 2.0 + Keras进行机器学习研究？...谷歌深度学习研究员、“Keras之父”François Chollet发表推特，总结了一份TensorFlow 2.0 + Keras做深度学习研究的速成指南。...from tensorflow.keras.layers import Layer class Linear(Layer): """y = w.x + b""" def __init__(self...if step % 100 == 0: print(step, float(loss)) 9）把计算编译成静态图再运行，可能在debug阶段比直接运行表现更好。...can be defined by specifying inputs and outputs. # A model is itself a layer like any other. model = tf.keras.Model

1.2K4 0

Keras之fit_generator与train_on_batch用法

关于Keras中，当数据比较大时，不能全部载入内存，在训练的时候就需要利用train_on_batch或fit_generator进行训练了。...两者均是利用生成器，每次载入一个batch-size的数据进行训练。那么fit_generator与train_on_batch该用哪一个呢？...如果模型中的输入层被命名，你也可以传递一个字典，将输入层名称映射到 Numpy 数组。如果从本地框架张量馈送（例如 TensorFlow 数据张量）数据，x 可以是 None（默认）。...例如，一个 epoch 的最后一个 batch 往往比其他 batch 要小，如果数据集的尺寸不能被 batch size 整除。生成器将无限地在数据集上循环。...之fit_generator与train_on_batch用法就是小编分享给大家的全部内容了，希望能给大家一个参考。

2.7K2 0

小白学PyTorch | 18 TF2构建自定义模型

【机器学习炼丹术】的学习笔记分享参考目录： 1 创建自定义网络层 2 创建一个完整的CNN 2.1 keras.Model vs keras.layers.Layer 之前讲过了如何用tensorflow...1 创建自定义网络层 import tensorflow as tf import tensorflow.keras as keras class MyLayer(keras.layers.Layer...2 创建一个完整的CNN import tensorflow as tf import tensorflow.keras as keras class CBR(keras.layers.Layer)...可以发现这里继承的一个tf.keras.Model这个类。...2.1 keras.Model vs keras.layers.Layer Model比Layer的功能更多，反过来说，Layer的功能更精简专一。

9093 1

记录我的Tensorflow2.0踩坑之路

Tensorflow2.0正式版终于发布了，对习惯了keras的朋友们来说恐怕早就开始用测试版了，而对于像我这种一直使用1.x的人来说2.0正式版简直就是灾难，原因就在于2.0并不向下兼容1.x，只是给了一个转换程序而已...另一个是用“类”形式写的其call部分就是模型的构架了。...另一个则是用tf.keras.Input函数作为模型的输入且在该函数里说明输入tensor的shape，再直接构建模型其余部分然后用函数 model=tf.keras.Model(inputs, outputs...最后总结一下，最好用的构建模型的方式是用tf.keras.Input函数和 model=tf.keras.Model(inputs, outputs,name='mymodel') 函数直接构建网络，而训练部分如果没有特殊需求还是用...总的说来2.0确实比1.x进步很多，只不过对于1.x的老用户来说可能要付出一些时间成本来学习了，对于keras用户来说由于2.0与keras深度合体则要轻松许多，甚至找不到办法的时候就查找kares的解决办法

6892 0

Tensorflow 2.0 的这些新设计，你适应好了吗？

Tensorflow 2.0：为什么？何时？ Tensorflow 2.0 的开发初衷是制作一个更简单易用的 Tensorflow。...Keras（OOP）vs Tensorflow 1.x 在 GitHub 上，RFC：TensorFlow 2.0 中的变量这份意见稿已经被官方接受，它可能是对现有代码库影响最大的 RFC，值得参考。...= tf.keras.layers.Dense(units=1, name="D")(net) D = tf.keras.Model(inputs=inputs, outputs=net)...在这里，generator 和 discriminator 都返回了一个 tf.keras.Model，而不仅仅是输出张量。...tf.keras.Model 帮我们完全省去了变量共享和计算图重新定义的烦恼。 tf.keras.Model 不是一个张量，而是一个自带变量的完整模型。

9472 0

生成对抗网络（GAN）：在图像生成和修复中的应用

import tensorflow as tf from tensorflow.keras.layers import Dense, Flatten, Reshape from tensorflow.keras.models...通过将一个图像的风格应用于另一个图像，生成器可以将源图像转化为具有特定风格的图像。...import tensorflow as tf from tensorflow.keras.applications import VGG19 from tensorflow.keras.layers...vgg.trainable = False outputs = [vgg.get_layer(name).output for name in layer_names] model = tf.keras.Model...same')(conv2) outputs = Conv2D(3, (3, 3), activation='sigmoid', padding='same')(conv3) return tf.keras.Model

6341 0

简单粗暴上手TensorFlow 2.0，北大学霸力作，必须人手一册！

由此，在 TensorFlow 正式支持 Eager Execution 之际，有必要出现一本全新的技术手册，帮助初学者及需要快速迭代模型的研究者，以一个全新的角度快速入门 TensorFlow。...模型（Model）与层（Layer）基础示例：多层感知机（MLP）数据获取及预处理：tf.keras.datasets 模型的构建：tf.keras.Model 和 tf.keras.layers...：变量的保存与恢复 TensorBoard：训练过程可视化 tf.data ：数据集的构建与预处理数据集对象的建立数据集对象的预处理数据集元素的获取与使用实例：cats_vs_dogs 图像分类...Go 在中国乌镇围棋峰会上，与世界第一棋士柯洁比试，并取得了三比零全胜战绩。...TensorFlow in Julia（Ziyang） TensorFlow.jl 简介 为什么要使用 Julia ？

1.4K4 0

上线俩月，TensorFlow 2.0被吐槽太难用，网友：看看人家PyTorch

反馈延迟，bug 积压可能是因为 TF 社区本身就比较火爆，对框架的提问和反馈会更多，因此 TF 官方对问题的回复和 bug 的修复似乎比 PyTorch 要慢。...正如发帖者所说，TensorFlow 待回答问题数量比 PyTorch 高了 10 倍还要多。更何况，PyTorch 还有一个专门的团队在平台上负责解答疑问。...这些都是 TF2.0 目前遇到的问题，但是距离其第一个版本——alpha 发布已过去大半年，为什么还有这么多问题困扰着开发社区呢？...图源：https://www.pyimagesearch.com/2019/10/21/keras-vs-tf-keras-whats-the-difference-in-tensorflow-2-0/...大版本更新伤害老用户 另一个麻烦的问题是，TF 2.0 无疑想让它成为研究领域和生产领域都非常流行的深度学习框架。

1.2K1 0

用免费TPU训练Keras模型，速度还能提高20倍！

我们首先构建一个易于理解但训练过程比较复杂的 Keras 模型，以便「预热」Cloud TPU。...流程如下所示：构建一个 Keras 模型，可使静态输入 batch_size 在函数式 API 中进行训练。将 Keras 模型转换为 TPU 模型。...请注意，模型在一个带有 batch_size 参数的函数中构建，这样方便我们再回来为 CPU 或 GPU 上的推理运行创建另一个模型，该模型采用可变的输入 batch size。...import tensorflow as tf from tensorflow.python.keras.layers import Input, LSTM, Bidirectional, Dense,...LSTM')(embedding) predicted_var = Dense(1, activation='sigmoid', name='Output')(lstm) model = tf.keras.Model

1.7K4 0

一文上手Tensorflow2.0之tf.keras｜三

3.2 “tf.keras”API Keras是一个基于Python编写的高层神经网络API，Keras强调用户友好性、模块化以及易扩展等，其后端可以采用TensorFlow、Theano以及CNTK...“tf.keras”不强调原来Keras的后端可互换性，而是在符合Keras标准的基础上让其与TensorFlow结合的更紧密（例如支持TensorFlow的eager execution模式，支持“tf.data...“tf.keras”提高了TensorFlow的易用性，同时也保持了TensorFlow的灵活性和性能。 1....首先导入需要的包： import tensorflow as tf from tensorflow.keras import layers 然后我们创建一个Sequential Model： model...例如我们定义一个简单的前馈网络模型： class MyModel(tf.keras.Model): def __init__(self, num_classes=10): super(MyModel

1.6K2 1

Eager Mode,写在TensorFlow 2.0 到来之前

在Eager Mode 推出之前，基于TensorFlow的程序使用的静态计算图，计算过程首先被编译成一个有向无环图。...首先我们定义了一个包含了CNN和RNN的模型，其模型定义如下： ```python class MNIST_HighLevel(tf.keras.Model): def __init__(self...self.dense(lstm_feat) return logits ``` 由于Eager Mode 下求导过程中需要指定对哪些变量进行求导，所以在搭建Eager Mode求导可用的网络时，建议使用tf.keras.Model...此外，TensorFlow 开发团队官方已经声明将会持续将Keras与TensorFlow平台紧密结合起来[3]，我们推荐读者使用基于Keres的高级API构建模型。...如果读者运行了两种不同方式搭建的网络，我们可以发现目前Eager Mode虽然带来了极大的便利，但由于本文使用的网络比较简单，Eager Mode下的执行速度相较于静态图模式要慢不少。

8591 0

详解深度强化学习展现TensorFlow 2.0新特性

通过Keras模型API实现的策略和价值首先，让我们在单个模型类下创建策略和价值预估神经网络: import numpy as np import tensorflow as tf import tensorflow.keras.layers...as kl class ProbabilityDistribution(tf.keras.Model): defcall(self, logits): tf.squeeze(tf.random.categorical...(logits, 1), axis=-1) classModel(tf.keras.Model):def__init__(self, num_actions): super()....import tensorflow.keras.losses as kls import tensorflow.keras.optimizers as ko class A2CAgent:def__init...一个总被提起的问题是，TensorFlow是否比PyTorch更好？也许是，也许不是。两者都是很好的库，所以很难说是哪一个更好。

6653 0

PyTorch、TensorFlow最新版本对比，2021年了你选谁？

在本文中，我们将从以下两个方面对机器学习库（PyTorch 1.8 和 Tensorflow 2.5）进行比较：最新发行版本中的新增功能；使用哪个以及为什么。...Tensorflow 2.x VS Pytorch 1.8 Tensorflow 2.x TensorFlow 1 和 TensorFlow 2.x 之间有很多变化。...Tensorflow 2.x 中的另一个版本是 Tensorflow Lite，一个轻量级库，用于在移动和嵌入式设备上部署模型。这是因为移动和 Web 应用程序是两种最主要的应用程序类型。...例如在进行 Kaggle 比赛时（监督学习图像分类、目标检测、图像分割、NLP 等任务），可以发现 Keras 的代码实现比 PyTorch 短。...原文链接：https://towardsdatascience.com/pytorch-vs-tensorflow-2021-d403504d7bc3

1.6K6 0

TensorFlow 2.X，会是它走下神坛的开始吗？

官方确实有一个升级脚本：但是看上面日志也就知道，它差不多等同于「import tensorflow.compat.v1 as tf」。...如果我们用 1.X 中的 tf.nn.rnn_cell 来做 LSTM，这也是没问题的，只不过会特别慢。如果我们将运算子换成 LSTM，那么无疑速度会提升很多。...这些都非常好，甚至用 Keras 写模型比 PyTorch 还要精简一些。但是别忘了 TF 传统艺能是静态计算图，它天生就比 tf.keras 拥有更多的底层配置。...这其实和 1.X 的情况还是挺像的，同一个功能能由不同的 API 实现，但是不同 API 进行组合的时候，就会出问题。也就是说，如果我们混淆了 tf.keras 和底层 API，那么这又是一个大坑。...除了这两种，对于更复杂的模型，TF2.0 还有一套解决方案，即从 tf.keras.Model 继承模型，重新实现 call 方法。总之官方文档有多种解决方案，能处理相同的问题。

6091 0

神经网络中的蒸馏技术，从Softmax开始说起

本报告讨论了非常厉害模型优化技术 —— 知识蒸馏，并给大家过了一遍相关的TensorFlow的代码。 “模型集成是一个相当有保证的方法，可以获得2%的准确性。...这里的问题是，学生模型的大小应该比老师的小得多。本工作流程简要阐述了知识蒸馏的思想。 为什么要小？这不是我们想要的吗？将一个轻量级模型部署到生产环境中，从而达到足够的性能。...我们为什么要用软标签来训练学生模型？请记住，在容量方面，我们的学生模型比教师模型要小。因此，如果你的数据集足够复杂，那么较小的student模型可能不太适合捕捉训练目标所需的隐藏表示。...首先，创建一个扩展tf.keras.Model的类。...class Student(tf.keras.Model): def __init__(self, trained_teacher, student): super(Student

1.7K1 0

图像分类任务中，Tensorflow 与 Keras 到底哪个更厉害？

转载来源：AI 研习社编译的技术博客原标题：Tensorflow Vs Keras?...该模型已保存为一个inception.model文件，可以再次加载并测试。为此，编写了另一个脚本，同时在图像上绘制预测类别并保存它。...可能是我们无法比较epoch与步长，但在这种情况下你看到了，相比之下两者的测试准确度均为91％，因此我们可以描述keras训练比tensorflow慢一点。...可能是我们无法比较epoch与步长，但在这种情况下你看到了，相比之下两者的测试准确度均为91％，因此我们可以描述keras训练比tensorflow慢一点。...这在Keras中是不可行的。下面给出就是魔法！结论无论如何，Keras很快将被整合到tensorflow中！那么，为什么要去pythonic？（Keras是pythonic）。

9042 0

深度学习入门该用PyTorch还是Keras？热门公开课换框架背后的学问

下一个fast.ai的课程，将完全基于一个使用PyTorch开发的框架，抛弃原来的TensorFlow和Keras框架。这是为什么？...量子位节选编译如下：我们为什么开始尝试PyTorch？当我们开发第二门课《面向程序员的前沿深度学习》的时候，原来选的TensorFlow和Keras框架开始让我们处处碰壁。...PyTorch的另一个好处是，它能让学生们更深入地了解每个算法中发生了什么。用TensorFlow那样的静态计算图库，你一旦声明性地表达了你的计算，就把它发送到了GPU，整个处理过程就是一个黑箱。...在实践中我们看到，有些模型快一点，有些慢一点，每个月都不一样。...另外，很多新出的最佳实践并没有被纳入Keras，特别是在快速发展的自然语言处理（NLP）领域。所以我们在想，能不能构建一个比Keras更好的东西，用来快速训练最棒的深度学习模型。

9505 0

详解TensorFlow 2.0新特性在深度强化学习中的应用

通过Keras模型API实现的策略和价值首先，让我们在单个模型类下创建策略和价值预估神经网络: import numpy as np import tensorflow as tf import tensorflow.keras.layers...as kl class ProbabilityDistribution(tf.keras.Model): def call(self, logits): # sample a...from given logits return tf.squeeze(tf.random.categorical(logits, 1), axis=-1) class Model(tf.keras.Model...import tensorflow.keras.losses as kls import tensorflow.keras.optimizers as ko class A2CAgent: def...一个总被提起的问题是，TensorFlow是否比PyTorch更好？也许是，也许不是。两者都是很好的库，所以很难说是哪一个更好。

8881 0

点击加载更多

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭