Deep learning 为什么卷积深度学习模型会为不同的场景生成不同的FPS？

我有一个模型，输入图像（448x448）并输出转向角。根据我的观察，系统的FPS（每秒帧数）随图像场景而变化。例如，如果图像输入是雨景，系统以20 FPS的速度输出预测。然而，若图像输入是阳光明媚的场景，系统将以30FPS的速度输出预测。图像的复杂性也影响着FPS

为什么预测的FPS​​根据场景条件进行更改，即使CNN中的每张图片都进行了相同的计算？造成这种差异的原因是什么

---

我期望CNN模型对每个图像输入都有相同的FPS。但是它不稳定。

你使用哪种网络之王？使用区域建议方法时，可能会出现这种情况：如果有许多区域建议，则必须对它们进行分析，因此会损失大量宝贵的fps；）图显示了我的模型架构。据我所知，这不是一个地区提案网络。我的网络包含卷积和密集层。你知道吗？致以最良好的祝愿。@JosephBudin我刚刚意识到我在使用深度学习模型进行推理时使用了FP16精度模式。是否可能通过预测模式影响模型的FPS？当我看到评论时，我开始认为非确定性的来源是浮点运算：“如果您的代码使用浮点原子，则每次运行的结果可能不同，因为浮点运算通常不关联，并且数据进入计算的顺序（例如，求和）当使用原子时，它是不确定的。”我会惊讶地发现，浮点运算根据图像的内容而有所不同。雨天/晴天是否使用不同的数据集？@JosephBudin我在培训和测试中使用的数据集包含来自不同场景的图像（没有不同的数据集）。类似于“雨天/晴天场景FPS的差异”问题；当给模型提供相同的输入时，它会产生相同的预测和不同的FPS值。你使用哪种网络？使用区域建议方法时，可能会出现这种情况：如果有许多区域建议，则必须对它们进行分析，因此会损失大量宝贵的fps；）图显示了我的模型架构。据我所知，这不是一个地区提案网络。我的网络包含卷积和密集层。你知道吗？致以最良好的祝愿。@JosephBudin我刚刚意识到我在使用深度学习模型进行推理时使用了FP16精度模式。是否可能通过预测模式影响模型的FPS？当我看到评论时，我开始认为非确定性的来源是浮点运算：“如果您的代码使用浮点原子，则每次运行的结果可能不同，因为浮点运算通常不关联，并且数据进入计算的顺序（例如，求和）当使用原子时，它是不确定的。”我会惊讶地发现，浮点运算根据图像的内容而有所不同。雨天/晴天是否使用不同的数据集？@JosephBudin我在培训和测试中使用的数据集包含来自不同场景的图像（没有不同的数据集）。类似于“雨天/晴天场景FPS的差异”问题；当给模型提供相同的输入时，它会产生相同的预测和不同的FPS值。