<>强如下所示:
#编码=gbk
“‘
GPU上面的环境变化太复杂,这里我直接给出在笔记本CPU上面的运行时间结果
由于方式3需要将张量转换到GPU上面,这一过程很消耗时间,大概需要十秒,故而果断抛弃这样的做法
img (168、300、3)
子在numpy div,时间0.0110
子在火炬div。张量,时间0.0070
子在火炬div。与torchvision张量。变换,时间0.0050
tensor1=tensor2
tensor2=tensor3
img (1079、1349、3)
子在numpy div,时间0.1899
子在火炬div。张量,时间0.1469
子在火炬div。与torchvision张量。变换,时间0.1109
tensor1=tensor2
tensor2=tensor3
耗时最久的是numpy,其次是转换成torch.tensor,最快的是直接使用torchvision.transforms
我现在在GPU上面跑的程序GPU利用率特别低(大多数时间维持在2%左右,只有很少数的时间超过80%)
然后设置打印点调试程序时发现,getitem()输出一张图像的时间在0.1秒的数量级,这对于GPU而言是非常慢的
因为GPU计算速度很快,CPU加载图像和预处理图像的速度赶不上GPU的计算速度,就会导致显卡大量时间处于空闲状态
经过对于图像I/O部分代码的定位,发现是使用numpy减去图像均值除以方差这一操作浪费了太多时间,而且输入图像的分辨率越大,
所消耗的时间就会更多
原则上,图像预处理每个阶段的时间需要维持在0.01秒的数量级
所以,
“‘
进口numpy np
导入的时间
进口火炬
进口torchvision。变换,变换
进口cv2
# img_path='/ssddata2 wyx/检测/ead_stage12/stage12_img/WL_00387.jpg '
img_path=' F: \ \ 2 \ \ 00004. jpg
PIXEL_MEANS=(0.485, 0.456, 0.406) # RGB格式均值和方差
PIXEL_STDS=(0.229, 0.224, 0.225)
#输入文件路径,输出的应该是转换成torch.tensor的标准形式
#方式一在numpy中进行减去均值除以方差,最后转换成torch.tensor
one_start=time.time ()
img=cv2.imread (img_path)
img=img (::,:: 1)
img=img.astype (np。float32,复制=False)
img/=255.0
img -=np.array (PIXEL_MEANS)
img/=np.array (PIXEL_STDS)
tensor1=torch.from_numpy (img.copy ())
tensor1=tensor1.permute (0,1)
one_end=time.time ()
打印(“子numpy div,时间{:.4f} .format (one_end-one_start))
德尔img
#方式二转换成torch.tensor,再减去均值除以方差
two_start=time.time ()
img=cv2.imread (img_path)
img=img (::,:: 1)
打印(img, img.shape np.min (img) np.min (img))
tensor2=torch.from_numpy (img.copy ()) .float ()
tensor2/=255.0
tensor2 -=torch.tensor (PIXEL_MEANS)
tensor2/=torch.tensor (PIXEL_STDS)
tensor2=tensor2.permute (0,1)
two_end=time.time ()
print(子div的火炬。张量,时间{:.4f} .format (two_end-two_start))
德尔img
#方式三转换成torch.tensor,再放到GPU上面,最后减去均值除以方差
# three_start=time.time ()
# img=cv2.imread (img_path)
# img=img (::,:: 1)
# tensor3=torch.from_numpy (img.copy ()) .cuda () .float ()
# tensor3 -=torch.tensor (PIXEL_MEANS) .cuda ()
# tensor3/=torch.tensor (PIXEL_STDS) .cuda ()
# three_end=time.time ()
#打印(子div的火炬。张量在cuda时间{:.4f} .format (three_end-three_start))
# del img
#方式四转换成torch.tensor,使用变换方法减去均值除以方差
four_start=time.time ()
img=cv2.imread (img_path)
img=img (::,:: 1)
变换=transforms.Compose (
[transforms.ToTensor(),变换。正常化(PIXEL_MEANS PIXEL_STDS)]
)
tensor4=变换(img.copy ())
four_end=time.time ()
print(子div的火炬。与torchvision张量。变换,时间{:.4f} .format (four_end-four_start))
德尔img
如果torch.sum (tensor1-tensor2) & lt;=1 e - 3:
打印(' tensor1=tensor2 ')
如果torch.sum (tensor2-tensor4)==0:
打印(' tensor2=tensor3 ')
#如果tensor3==tensor4:
#打印(“tensor3=tensor4”)
之前
以上这篇pytorch图像预处理之减去均值,除以方差的实例就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。
