您好，我写了一些代码，对我的Tensor的形状进行评估，并在每一步中为Tensor添加一个值。问题是大量迭代的速度很慢（我需要很多迭代）
for i in range(0, num_samples):
for j in range(0, int(numTimeSteps.numpy())):
random_num = tf.squeeze(tf.random.normal([1], mean, std_dev, dtype=dtype))
tensor[i,j].assign(tf.math.add(random_num, estr[i,j]).numpy())在每次迭代中，我向Tensor中添加一个随机数（从正态分布中提取）
num_samples由用户指定，可以在1000-100.000范围内
numtimespes是80
有没有办法优化这一点？
1条答案
按热度按时间pcrecxhr1#
tf应该很少依赖循环或numpy。如果您看到其中一个，请尝试将其矢量化并使用本机tf ops进行操作。
也许像
请注意，tf.random很快就会因为不够随机而被弃用-请参阅文档中的注解。首选方法是tf.random.generator。