我正在尝试实现这个方法，以便与TensorFlow一起使用(取自此处)：
def _jacobian_product_sq_euc(X, Y, E, G):
m = X.shape[0]
n = Y.shape[0]
d = X.shape[1]
for i in range(m): # 0 - 4
for j in range(n):
for k in range(d):
G[i, k] += E[i,j] * 2 * (X[i, k] - Y[j, k])
我已经用三个tf.while_oops重写了这篇文章，但注意到它非常慢(这里的工作示例)：
def calc_score():
gm = tf.zeros([16, 256])
i = 0
i_max = 16
j_max = 16
d_max = 256
while_condition_loop1 = lambda i, gm_score: tf.less(i, i_max)
while_condition_loop2 = lambda i, j, gm_score: tf.less(j, j_max)
while_condition_loop3 = lambda i, j, d, gm_score: tf.less(d, d_max)
gm_score = tf.constant(0.)
def loop3(i, j, d, gm_score):
gm_score = gm_score + e[i+1, j+1] * 2 * tf.abs((x[i,d] - y[j, d]))
return [i, j, tf.add(d,1), gm_score]
def loop2(i, j, gm_score):
d = 0
_, _, _, gm_score = tf.while_loop(while_condition_loop3, loop3, [i, j, d, gm_score])
return [i, tf.add(j,1), gm_score]
def loop1(i, gm_score):
j = 0
_, _, gm_score = tf.while_loop(while_condition_loop2, loop2, [i, j, gm_score])
return [tf.add(i,1), gm_score]
_, gm_score = tf.while_loop(while_condition_loop1, loop1, [i, gm_score])
return gm_score
(注意：我知道在这种情况下我返回的是单个值，而不是矩阵。但这是一个单独的问题)
一系列16x256值的计算大约需要4-5秒。现在我想知道如何优化它。在这种情况下，除了使用tf.while_oop之外，还有其他选择吗？我的CPU似乎也有相当高的负载，我在训练时收到了很多这样的消息：
2017-10-30 17:00:51.234993:I tensorflow/core/common_runtime/gpu/pool_allocator.cc:247]PoolAllocator：在257610个获取请求后，put_count=385120个驱逐计数=128000个驱逐率=0.33133，未满足的分配率=0
我对TensorFlow的了解仍然有限，我想知道如何优化这种方法。
我使用的是python 2.7和TensorFlow 1.2.0
我不熟悉雅可比方程，但基本上应该避免在Tensorflow中循环元素。你应该在张量/矩阵运算中考虑它，并使用tf API进行张量运算。我在他们的源代码中找到了雅可比计算：
https://fossies.org/linux/tensorflow/tensorflow/python/ops/gradient_checker.py
也许这有帮助。