Python 出于性能目的,在Tensorflow中对一批图像进行推理的正确方法是什么
我试图完成的是在Tensorflow中一次使用一批图像而不是单个图像进行推理。我想知道处理多幅图像以加速推理的最合适的方法是什么 在单个图像上进行推理很容易,并且在大多数教程中都很常用,但我还没有看到的是以批处理的方式进行推理 以下是我目前在高层使用的内容:Python 出于性能目的,在Tensorflow中对一批图像进行推理的正确方法是什么,python,tensorflow,neural-network,conv-neural-network,Python,Tensorflow,Neural Network,Conv Neural Network,我试图完成的是在Tensorflow中一次使用一批图像而不是单个图像进行推理。我想知道处理多幅图像以加速推理的最合适的方法是什么 在单个图像上进行推理很容易,并且在大多数教程中都很常用,但我还没有看到的是以批处理的方式进行推理 以下是我目前在高层使用的内容: pl = tf.placeholder(tf.float32) ... sess.run([boxes, confs], feed_dict={pl: image}) 如果您能提供任何相关信息,我将不胜感激。根据您的模型的设计方式,您只需
pl = tf.placeholder(tf.float32)
...
sess.run([boxes, confs], feed_dict={pl: image})
如果您能提供任何相关信息,我将不胜感激。根据您的模型的设计方式,您只需向
pl
提供一组图像即可。然后,输出的第一个维度对应于批处理中图像的索引
许多张量运算都有一个批量多个示例的实现。例如,也有一些例外。在这种情况下,您必须重写您的网络,例如使用