我正在尝试使我的分类过程更快。我想增加我的deploy.prototxt中的第一个input_dim，但这似乎不起作用。它甚至比一张一张一张地分类要慢一些。
deploy.prototxt
input: "data"
input_dim: 128
input_dim: 1
input_dim: 120
input_dim: 160
... net description ...
python net初始化
net=caffe.Net( 'deploy.prototxt', 'model.caffemodel', caffe.TEST)
net.blobs['data'].reshape(128, 1, 120, 160)
transformer = caffe.io.Transformer({'data':net.blobs['data'].data.shape})
#transformer settings
python分类
images=[None]*128
for i in range(len(images)):
images[i]=caffe.io.load_image('image_path', False)
for j in range(len(images)):
net.blobs['data'].data[j,:,:,:] = transformer.preprocess('data',images[j])
out = net.forward()['prob']
我略过了一些细节，但是重要的事情应该给出。我尝试了不同的批处理大小，例如32、64，...，1024，但几乎都相同。所以我的问题是，如果有人知道我做错了什么或需要更改什么？
感谢帮助！
编辑：
一些计时结果，平均时间仅仅是由处理的图像划分的总时间（1044）。
批次大小：1
2016-05-04 10：51：20,721-检测器-信息-数据形状：（1、1、120、160）
2016-05-04 10：51：35,149-主要-信息-GPU时序：
2016-05-04 10：51：35,149-主-信息-处理的图像：1044
2016-05-04 10：51：35,149-主要-信息-总时间：14.43秒
2016-05-04 10：51：35,149-主-信息-平均时间：13.82ms
2016-05-04 10：51：35,149-主-信息-加载时间：8.31秒
2016-05-04 10：51：35,149-主-信息-平均加载时间：7.96ms
2016-05-04 10：51：35,149-主要-信息-分类时间：5.99秒
2016-05-04 10：51：35,149-主-信息-平均分类时间：5.74ms
批次大小：32
2016-05-04 10：52：30,773-检测器-信息-数据形状：（32，1，120，160）
2016-05-04 10：52：45,135-主要-信息-GPU时序：
2016-05-04 10：52：45,135-主-信息-处理的图像：1044
2016-05-04 10：52：45,135-主要-信息-总时间：14.36秒
2016-05-04 10：52：45,136-主-信息-平均时间：13.76ms
2016-05-04 10：52：45,136-主要-信息-加载时间：7.13秒
2016-05-04 10：52：45,136-主-信息-平均加载时间：6.83ms
2016-05-04 10：52：45,136-主要-信息-分类时间：7.13秒
2016-05-04 10：52：45,136-主-信息-平均分类时间：6.83ms
批次大小：128
2016-05-04 10：53：17,478-检测器-信息-数据形状：（128，1，120，160）
2016-05-04 10：53：31,299-主要-信息-GPU时序：
2016-05-04 10：53：31,299-主-信息-处理的图像：1044
2016-05-04 10：53：31,299-主-信息-总时间：13.82s
2016-05-04 10：53：31,299-主-信息-平均时间：13.24ms
2016-05-04 10：53：31,299-主要-信息-加载时间：7.06s
2016-05-04 10：53：31,299-主-信息-平均加载时间：6.77ms
2016-05-04 10：53：31,299-主要-信息-分类时间：6.66秒
2016-05-04 10：53：31,299-主-信息-平均分类时间：6.38ms
批次大小：1024
2016-05-04 10：54：11,546-检测器-信息-数据形状：（1024，1，120，160）
2016-05-04 10：54：25,316-主-信息-GPU时序：
2016-05-04 10：54：25,316-主-信息-处理后的图像：1044
2016-05-04 10：54：25,316-主要-信息-总时间：13.77s
2016-05-04 10：54：25,316-主要-信息-平均时间：13.19ms
2016-05-04 10：54：25,316-主要-信息-加载时间：7.04s
2016-05-04 10：54：25,316-主-信息-平均加载时间：6.75ms
2016-05-04 10：54：25,316-主要-信息-分类时间：6.63秒
2016-05-04 10：54：25,316-主-信息-平均分类时间：6.35ms
最佳答案
我很确定问题是正确的
for j in range(len(images)):
net.blobs['data'].data[j,:,:,:] = transformer.preprocess('data',images[j])
out = net.forward()['prob']
这样做只会将来自for循环最后一次迭代的单个图像数据设置为网络的唯一输入。尝试事先堆叠
N图片（例如stackedimages），然后仅调用该行一次，例如for j in range(len(images)):
stackedimages <- transformer.preprocess('data',images[j])
然后打电话
net.blobs['data'].data[...] = stackedimages
关于neural-network - 批处理大小不适用于使用deploy.prototxt的caffe，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/37003575/