numpy矩阵tranpose效率分析

hi，大家好，这里是小董。好久没写博客了QAQ

就在昨天，Maixhub目标检测(自动标注)上线啦。使用指南:https://www.bilibili.com/video/BV14D4y1D7S3?zw

目前发现训练耗时还是比较长，经过对各个模块的run time print。发现主要是在numpy，transpose，reshape的地方耗时比较长，长达8s,如果按照100 epoch来算的话，时间开销差不多到15分钟了QAQ。不过，好在，有前辈也遇到过这个问题。我目前也是有了一定的思路去优化这个部分的代码。

等弄好再来分享经验吧。

今天早上抽时间优化了下这部分代码，最后速度快了一倍左右，还是比较舒服的。

原来我采用的是 list to array的方法，进行矩阵拼接，经过测试，这种方法效率很低。

前段时间，偶然看到了一篇博客，文中说如上方法效率很低。于是我便换了一种更加符合简单逻辑的思路:numpy to numpy
代码如下：

            box_array_0 = np.array(box_list3).reshape(1,5)
            box_array_0 = box_array_0[np.newaxis,:,:]
            img_data_one_0 = img_pad[np.newaxis,:,:,:]
            #矩阵拼接
            if(load_tfrecord_num == 0):
                img_data_array = img_data_one_0
                box_array = box_array_0
            else:
                img_data_array = np.concatenate((img_data_one_0,img_data_array),axis=0)
                box_array = np.concatenate((box_array_0,box_array),axis=0)