我使用TensorFlow来预测神经网络的输出。我有一个类，其中描述了神经网络，还有一个主文件，负责进行预测并根据结果更新权重。然而，预测速度似乎非常慢。以下是我的代码结构：

class NNPredictor():    def __init__(self):        self.input = tf.placeholder(...)        ...        self.output = (...) #神经网络输出    def predict_output(self, sess, input):        return sess.run(tf.squeeze(self.output), feed_dict = {self.input: input})

主文件的结构如下：

sess = tf.Session()predictor = NNPredictor()input = #初始值 for i in range(iter):    output = predictor.predict_output(sess, input)    input = #output的某个函数

但是，如果我在类中使用以下函数定义：

    def predict_output(self):        return self.output

并将主文件改为如下结构：

sess = tf.Session()predictor = NNPredictor()input = #初始值 output_op = predictor.predict_value()for i in range(iter):    output = np.squeeze(sess.run(output_op, feed_dict = {predictor.input: input}))    input = #output的某个函数

代码运行速度几乎提高了20-30倍。我不太理解这里的运行机制，想知道最佳实践是什么。

回答：

这与Python掩盖的底层内存访问有关。以下是一些示例代码来说明这个概念：

import timeruns = 10000000class A:    def __init__(self):    self.val = 1    def get_val(self):    return self.val# 使用方法然后调用对象属性obj = A()start = time.time()total = 0for i in xrange(runs):    total += obj.get_val()end = time.time()print end - start# 直接使用对象属性start = time.time()total = 0for i in xrange(runs):    total += obj.valend = time.time()print end - start# 首先赋值给局部变量start = time.time()total = 0local_var = obj.get_val()for i in xrange(runs):    total += local_varend = time.time()print end - start

在我的电脑上，运行时间如下：

1.495761156080.6561100482940.551875114441

具体到你的情况，第一种情况下你调用了对象方法，而第二种情况没有。如果你以这种方式多次调用代码，将会有显著的性能差异。