我對Keras與其他TF包裝（如Tensorpack）的培訓性能有疑問。TF包裝：Keras與Tensorpack的性能
在a Q&A session，Keras的作者說，包裝內附送的性能沒有影響：
Keras能夠構建一個簡單，快捷的方式，並在TensorFlow火車模型，在性能沒有影響，因爲該機型仍然由相同的TensorFlow引擎運行。
在另一方面雖然，Tensorpack github聲稱它比Keras快2倍，即使一個小小的CNN：
Tensorpack教練幾乎總是比基於feed_dict包裝速度更快。即使在一個微小的CNN例子中，訓練運行速度比同等Keras代碼快兩倍。
所以現在我想知道以下幾點：誰是對的？ 對於我來說，訓練中兩個因素是非常重要的。
我的初步答案顯然是錯誤的，但我不能刪除它，因爲它是被接受的答案。見@ppwwyyxx's answer。
感謝您鏈接到PR！很高興知道這個問題是已知的。所以就我所知，用numpy數組開銷的Python是個問題。理想情況下，Keras支持原生TF張量輸入，可以在C++中執行，而不是在每個訓練步驟中使用py - > C。 如上所述，我的數據輸入由數百個帶有11x13x18x50分檔的GB組成，目前我正在使用hdf5作爲數據格式。不知道如果TFRecords會產生更好的性能。 – 0vbb
@ 0vbb我自己對TFRecords沒有多少經驗，但我的印象是，他們的好處在更大的投入下更明顯，所以我猜你的情況可能是一個很好的嘗試。但是，我不認爲如果你能獲得顯着的收益，事先就沒有可靠的辦法。 – jdehesa
你們看着錯誤的一點！性能差異來自聰明，高效和並行預取vs feed_dict。在tensorpack中，您可以輕鬆使用所有CPU準備數據，以確保每個更新步驟都有訓練數據可用，幾乎沒有延遲。所以這個答案肯定是錯誤的和誤導的。 – Patwie
我是tensorpack的作者。 主要性能改進的原因在文檔的輸入管道頁面中進行了總結：http://tensorpack.readthedocs.io/en/latest/tutorial/input-source.html 這些參數適用於單GPU訓練案例。對於多GPU培訓，我們有更多的性能改進來匹配Google的基準代碼。
@jdehesa的回答是不正確的，我們從來沒有使用TFRecord來讀取數據（儘管它能夠這樣做，我沒有看到太多優勢）。你可以通過純Python讀取所有內容並獲得這個速度。另外，2x加速可能有點過時，我知道Keras一直在減少框架開銷方面進行了改進。
你自己試過嗎？ –
是的，我一直在使用Keras（雖然從未使用過Tensorpack）。我只關心性能，因爲我有4D數據集，數百GB，一個'圖像'是11x13x18x50。目前，我在單個節點中使用Keras TF後端和4個GTX1080（現在多節點不能很好地擴展）。 – 0vbb