平台：windows 10和colab（可在两个平台上复制）
版本：tensorflow 2.4.1、pytorch 1.8.1、Python3.8（这个问题同时发生在cpu和gpu上）
当训练少量批次（例如，训练30个批次时，注意相似但略有不同的比率仍然适用于较小数量的批次，如单个批次、具有更多层/参数的不同模型和/或不同的批次大小），
通过低水平梯度磁带训练，tensorflow比pytorch上的等效模型/数据慢9倍
使用低水平梯度磁带+@tf.function train step，tensorflow比pytorch上的等效模型/数据慢18倍
使用high-level fit（），tensorflow比pytorch上的等效模型/数据慢19倍
对于高级别的train\u on \u batch（），tensorflow比pytorch上的等效模型/数据慢22倍
一个可复制的代码示例可以在这里找到，它显示了一个简单的模型和生成的随机数据，使用上面讨论的所有函数/api进行训练：https://colab.research.google.com/drive/1vhylez79etkskk0iwiqhkt7og8nbu9uu?usp=sharing 上面的代码是从官方教程中部分修改的https://www.tensorflow.org/guide/keras/writing_a_training_loop_from_scratch
部分是我自己写的。
在深度强化学习和一些深度学习特例中，通常采用单批次或少量批次的训练。
在我使用pytorch 1.7.1和tensorflow 2.4.1的本地windows10机器上也观察到了这种性能差异。当训练深度q网络（一种深度强化学习，每次需要训练1个批次）时，在批次上使用tensorflow train\u会导致训练相同数量的片段的时间延长20倍以上（有点像强化学习版的epochs）。
有人知道为什么吗？有没有一种方法可以像pytorch一样快速地编写代码？
在不同的框架之间存在差距是合理的，但是9-22倍似乎相当大，特别是对于可以说是最流行的两个框架。
同样奇怪的是，train \u on \u batch（）（一个显然是为训练单个批处理而设计的api）可能是最慢的。同样奇怪的是，设计用来加速的@tf.function实际上会减慢训练速度。
任何帮助和建议都太好了！谢谢。
另外：这类问题有资格发布在github上吗？