如下所示：#coding=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
如下所示：
#coding=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tensor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)
sub div in numpy,time 0.0110
sub div in torch.tensor,time 0.0070
sub div in torch.tensor with torchvision.transforms,time 0.0050
tensor1=tensor2
tensor2=tensor3
img (1079, 1349, 3)
sub div in numpy,time 0.1899
sub div in torch.tensor,time 0.1469
sub div in torch.tensor with torchvision.transforms,time 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，
'''
import numpy as np
import time
import torch
import torchvision.transforms as transforms
import cv2
# img_path='/ssddata2/wyx/detection/ead_stage12/stage12_img/WL_00387.jpg'
img_path='F:\\2\\00004.jpg'
PIXEL_MEANS =(0.485, 0.456, 0.406) #RGB format mean and variances
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, copy=False)
img/=255.0
img-=np.array(PIXEL_MEANS)
img/=np.array(PIXEL_STDS)
tensor1=torch.from_numpy(img.copy())
tensor1=tensor1.permute(2,0,1)
one_end=time.time()
print('sub div in numpy,time {:.4f}'.format(one_end-one_start))
del 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]
print('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(2,0,1)
two_end=time.time()
print('sub div in torch.tensor,time {:.4f}'.format(two_end-two_start))
del 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()
# print('sub div in torch.tensor on cuda,time {:.4f}'.format(three_end-three_start))
# del img
#方式四 转换成torch.tensor，使用transform方法减去均值除以方差
four_start=time.time()
img=cv2.imread(img_path)
img=img[:,:,::-1]
transform=transforms.Compose(
[transforms.ToTensor(),transforms.Normalize(PIXEL_MEANS, PIXEL_STDS)]
)
tensor4=transform(img.copy())
four_end=time.time()
print('sub div in torch.tensor with torchvision.transforms,time {:.4f}'.format(four_end-four_start))
del img
if torch.sum(tensor1-tensor2)<=1e-3:
print('tensor1=tensor2')
if torch.sum(tensor2-tensor4)==0:
print('tensor2=tensor3')
# if tensor3==tensor4:
# print('tensor3=tensor4')
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脚本之家。
pytorch 图像预处理 均值 方差