本文主要是介绍yolov3 05节（2）修复bug，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

关于昨天的检测bug

吐了，昨天的bug还是没修复，详细追踪了下可能错误的地方

在前向传播获得的预测结果就是错的，全部是torch.nan。同时按照正确的流程，最终write_result应该没有检测结果，而不是显示person person...这样的bug。故这两个函数都有问题

1.1）对于write_results函数

首先对相对简单的write_result函数处理，该函数用于获得最终的true检测结果，核心是非极大抑制和IoU

问题出现在最开始的矩阵过滤部分，由于 nan +=/* R（nan与任何实数做运算均为nan，包括比较等），所以下面这段代码不能过滤掉nan值，造成后续直接将coco class类别中的（0，person）错误赋予给了nan

但增加一小段新的（矩阵过滤+赋值）的代码即可实现将nan变为0的操作，其中转为cpu是必须的，如下：

这样bug就修复了

1.1.1）关于在gpu和cpu上对运算实现加速的有趣误区 

在我最初的印象中，认为使用gpu能极大加速运算，但事实上可能有所出入，对小数据量，反而cpu更快，在我的简单测试中有1000倍差距，通过如下案例理解：

import torch
a = torch.randn(10000, 10000).to('cpu')
b = torch.randn(10000, 10000).to('cpu')

start = time.time()
c = torch.add(a, b)
end = time.time()
print((end-start)*1000 , ' ms(cpu-0)')

start = time.time()
d = torch.add(a, b)
end = time.time()
print((end-start)*1000 , ' ms(cpu-0)')

a = a.to('cuda')# 初次调用gpu,由于数据传输，速度会较慢
b = b.to('cuda')
start = time.time()
e = torch.add(a, b)
end = time.time()
print((end-start)*1000 , ' ms(cuda-0)')

a = a.to('cuda') # 超快的速度fasttttttttttttttt!!!!!!
b = b.to('cuda')
start = time.time()
f = torch.add(a, b)
end = time.time()
print((end-start)*1000 , ' ms(cuda-1)')

i = torch.randn(10000, 10000).to('cuda')
j = torch.randn(10000, 10000).to('cuda')
start = time.time()
k = torch.add(i, j)
end = time.time()
print((end-start)*1000 , ' ms(cuda-2 )')

第一次在cuda上计算较慢，但后来就很快了，不知道为什么？望大佬告知

而且实际情况没有这么简单：gpu很多核，但每个核心能力不强，并行计算，cpu“单核”，但每个核心超强，串行计算。所以对于上述小数据量测试，cpu单核具有碾压性能，而gpu那没多核反而没用（数据量不够，没必要调用所有的核），单核性能拉跨，所以速度很慢。

但对于图像这类的矩阵运算，超多核+并行 就很有必要了，此时gpu的优势才能体现出来。 https://blog.csdn.net/sru_alo/article/details/93539633

https://blog.csdn.net/qq_36162036/article/details/107407928?spm=1001.2101.3001.6650.2&utm_medium=distribute.pc_relevant.none-task-blog-2~default~CTRLIST~default-2.essearch_pc_relevant&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2~default~CTRLIST~default-2.essearch_pc_relevant

 1.2）prediction结果错误

这个原因出在darknet53网络中，今天已经排查了网络的搭建，感觉都没啥问题，明天继续排查前向传播，不过也加深了我对darknet53的理解

总共有107层（75个conv，23个shortcut，4个route，2个upsample，3个yolo）

值得一提的是，shortcut层基本可以类比resnet中的残差块，而route层本质就是shortcut，只是出于parse读取文本的原因，使用route这个层来形成>2层数量的连接cat

https://discuss.gluon.ai/t/topic/9056/2

 而且bn层的nb之处可以再次复习一下，其可以实现如下的转换（以简单二维为例）

https://blog.csdn.net/qq_29573053/article/details/79878437

明天又是充满希望和划水的一天

这篇关于yolov3 05节（2）修复bug的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！