MinkowskiEngine基準測試
介紹卷積層和小型U網絡的前饋和后饋通過時間。可以將具有相同張量步幅，步幅和內核偏移的內核映射重新用于其他層，可以在大型nueral網絡中使用的所有層上，分攤此頁面中實驗報告的時間。
使用Titan X進行實驗。
實驗設置
對于單卷積層實驗，使用以下設置。
import MinkowskiEngine as ME

conv = ME.MinkowskiConvolution(
in_channels=3,
out_channels=32,
kernel_size=7,
stride=1,
dilation=1,
has_bias=False,
dimension=3)
使用體素大小為5cm的ScanNet測試儀進行實驗。由于SparseConvNet和MinkowskiEngine使用不同的體素化算法，因此每個引擎處理的點數也有所不同。平均而言，在100個ScanNet測試室中，SparseConvNet產生25757.01點，而MinkowskiEngine產生26097.58點。
單卷積層
測試具有不同內核大小的同一個卷積層。報告每種算法處理SparseConvNet的平均時間（以秒為單位），平均為25757.011點，而MinkowskiEngine的平均時間為26097.58。

簡單的UNet
net = nn.Sequential(
ME.MinkowskiConvolution(
in_channels=3,
out_channels=32,
kernel_size=5,
stride=1,
dilation=1,
has_bias=False,
dimension=3),
ME.MinkowskiConvolution(
in_channels=32,
out_channels=32,
kernel_size=2,
stride=2,
dilation=1,
has_bias=False,
dimension=3),
ME.MinkowskiConvolutionTranspose
in_channels=32,
out_channels=32,
kernel_size=2,
stride=2,
dilation=1,
has_bias=False,
dimension=3))
對于本實驗，僅更改第一卷積層的內核大小。

總結

以上是生活随笔為你收集整理的MinkowskiEngine基准测试的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。