MinkowskiEngine基准测试

介绍卷积层和小型U网络的前馈和后馈通过时间。可以将具有相同张量步幅，步幅和内核偏移的内核映射重新用于其他层，可以在大型nueral网络中使用的所有层上，分摊此页面中实验报告的时间。

使用Titan X进行实验。

实验设置

对于单卷积层实验，使用以下设置。

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)

使用体素大小为5cm的ScanNet测试仪进行实验。由于SparseConvNet和MinkowskiEngine使用不同的体素化算法，因此每个引擎处理的点数也有所不同。平均而言，在100个ScanNet测试室中，SparseConvNet产生25757.01点，而MinkowskiEngine产生26097.58点。

单卷积层

测试具有不同内核大小的同一个卷积层。报告每种算法处理SparseConvNet的平均时间（以秒为单位），平均为25757.011点，而MinkowskiEngine的平均时间为26097.58。

 

 

 简单的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))

对于本实验，仅更改第一卷积层的内核大小。