为何Keras基于Tensor预测比基于DataFrame快得多？

• 隐式转换的冗余操作：直接把DataFrame传给model.predict()时，TensorFlow内部会启动一套完整的隐式数据流水线——不仅要做数据类型校验、维度适配，还要自动将DataFrame封装成tf.data.Dataset。针对1000万条的大数据集，这套流水线会产生大量中间步骤，光是在预测启动前的准备阶段就会消耗大量时间，而tf.convert_to_tensor()只是做单纯的张量转换，没有这些额外开销。

• 数据处理路径的效率差：处理预转换好的张量时，model.predict()会直接利用张量的连续内存结构进行批量计算，效率极高；但处理DataFrame时，默认的批次生成逻辑会对DataFrame做逐块读取、临时转换，内存调度和IO的效率远低于直接操作张量，最终导致整体预测速度变慢。

• 内存布局的优化缺失：tf.convert_to_tensor()会将DataFrame的数据转换为TensorFlow最优的连续内存布局，而直接传入DataFrame时，TensorFlow只能基于DataFrame原有的可能碎片化的内存结构进行处理，需要额外做内存重组才能适配模型计算，这也是耗时增加的重要原因。

验证方法（可选） #

你可以手动把DataFrame转为Dataset后再预测，会发现耗时和直接传DataFrame接近：

ds = tf.data.Dataset.from_tensor_slices(df.values).batch(32)
y = model.predict(ds)

内容的提问来源于stack exchange，提问作者Pooty Lim