性能主题
本专题针对平台二次开发、python模型开发过程中的性能优化部分做出通用性的建议。
模型开发
在应用场景中，模型的性能主要取决于模型推理速度，这由模型结构设计、GPU推理性能、模型量化等因素综合决定。然而，在开发过程中，依旧有诸多因素会影响性能，例如，由于推理与训练不同，可能会从文件直接获取数据，而非如训练时一样，通过封装好的DataLoader来读取数据。
数据加载类 DataLoader
TODO
此外，许多模型并非简单地接受数据，有时会需要加上各类的预处理操作。尽管预处理操作的底层设计通常是高效的，但由于 Python 语言本身性能较弱以及开发者经验不足，无法编写出高效率的 Python 代码，导致程序存在性能问题。
本节聚焦 Python 语言特性，对于开发过程中的常见操作给出通用性的建议。一般来说，性能高的Python代码有如下特点：
- 短。通常越短的代码越快，例如简单的迭代操作可以用列表推导式完成。尽管这并非绝对，但是对于一般场景，几乎没有例外，除非你有扎实的编程基础，否则你可以认为这句话是对的。更加简单的来说，那就是代码的 for 循环代码块 越少，性能越好。
- 向量化运算。对于处理数据的场景，例如相加两个长度为3的向量
a = np.array([1,2,3])和b = np.array([2,4,6])，通常可以a + b直接相加，而非使用循环对每一个元素相加。其内涵就是向量化运算。在本质上依旧是 for 循环 越少，性能越好。 - 并行。对于多核心的CPU，并行处理可以显著加快速度。第 2 条的向量化本质就是并行。然而python并不擅长并行，但好在常用的库，如numpy，它们底层由C/C++编写，已经实现了并行。因此，在这里我们只需掌握简单的多进程应用就行。
数据处理部分
本节介绍一些高频的数据操作，包括numpy、torch使用时的典型操作。这些操作在日常使用时经常用到，请熟练使用。
数据升维 重要
以下是一些高频出现的场景，请熟练应用。
场景一
有一张(3, 512, 512)的图像，需要放入神经网络推理，但是模型接受的输入尺寸是( b, c, h, w )，也就是缺少了一个batch size维度。请处理这张图像，使之符合(1, 3, 512, 512)的输入尺寸。
img = np.random.randn(3, 512, 512)
output = ??img = torch.randn(3, 512, 512)
output = ??场景二
有两张相同尺寸的RGB图像被读取为 img1 和 img2，请将它们组合成一个(2, c, h, w) 的输入。
场景三
有n张相同尺寸的RGB图像文件路径保存在一个list里，请将它们组合成(n, c, h, w) 的输入。
数据降维 重要
数据降维也是比较常见的场景。现列举一些比较经典的应用。
场景一
一张图像以(1, 3, 512, 512)的形状输入一个四分类器，最终得到了(1, 4)的二维数组，其中输出的第一维是batch size，第二维是4个类别对应的置信度。请将输出的二维数组转化成一个普通的一维数组，即(4, )。
场景二
现有一批图像组成了一个 Batch，形状为(16, 3, 512, 512)。现在模型只接受单通道的图像，即输入形状为(b, 512, 512)，b 为 batch size。请将原始数据 RGB 三通道中的G通道变换，使之匹配神经网络的输入形状。
场景三 拓展
模型规则同场景二，但输入图像只有一张，并组成了batch，即形状为(1, 3, 512, 512)。请给出对应的变换。
数组操纵 常见
一些数组变换极其常见，可以学习这些方案，需要用到时可以采用。
场景一
现在我有一批数据，已经组成了一个大小为 15 的 Batch，形状(15, 3, 512, 512)。现有一个新的图像，尺寸与通道跟 Batch 里的数据一致，希望把它加入这个Batch，即组成一个形状(16, 3, 512, 512)的 Batch。请实现这一功能。