Faster-RCNN论文中在RoI-Head网络中，将128个RoI区域对应的feature map进行截取，然后利用RoI pooling层输出7*7大小的feature map。在pytorch中能够利用：html
- torch.nn.functional.adaptive_max_pool2d(input, output_size, return_indices=False)
-
torch.nn.AdaptiveMaxPool2d(output_size, return_indices=False)
这个函数很方便调用，可是这个实现有个缺点，就是慢。python
因此有许多其余不一样的实现方式，借鉴其余人的实现方法，这里借鉴github作一个更加丰富对比实验。总共有4种方法：git
方法1. 利用cffi进行C扩展实现,而后利用Pytorch调用：须要单独的 C 和 CUDA 源文件，还须要事先进行编译，不但过程比较繁琐，代码结构也稍显凌乱。对于一些简单的 CUDA 扩展（代码量不大，没有复杂的库依赖），显得不够友好。github
方法2.利用Cupy实如今线编译，直接为 pytorch 提供 CUDA 扩展（固然，也能够是纯 C 的扩展）。Cupy实现了在cuda上兼容numpy格式的多维数组。GPU加速的矩阵运算，而Numpy并无利用GPU。Cupy目前已脱离chainer成为一个独立的库。数组
方法3.利用chainer实现，相较其余深度学习框架来讲，chainer知名度不够高，可是是一款很是优秀的深度学习框架，纯python实现，设计思想简洁，语法简单。chainer中的GPU加速也是经过Cupy实现的。此外，chainer还有其余附加包，例如ChainerCV，其中便有对Faster-RCNN、SSD等网络的实现。
网络
图源：Chainer官网slides框架
方法4.利用Pytorch实现，也就是文章伊始给出的两个函数。ide
从方法1至方法4，实现过程愈来愈简单，因此速度愈来愈慢。函数
如下是一个简单的对比试验结果：实验中以输入batch大小、图像尺寸（严格讲是特征图尺寸）大小、rois数目、是否反向传播为变量来进行对比，注意输出尺寸和Faster原论文一致都是7*7，都利用cuda，且设置scale=1，即特征图和原图同大小。学习
对比1： 只正向传播
use_cuda: True, has_backward: True method1: 0.001353292465209961, batch_size: 8, size: 8, num_rois: 10 method2: 0.04485161781311035, batch_size: 8, size: 8, num_rois: 10 method3: 0.06167919635772705, batch_size: 8, size: 8, num_rois: 10 method4: 0.009436330795288085, batch_size: 8, size: 8, num_rois: 10 method1: 0.0003777980804443359, batch_size: 8, size: 8, num_rois: 100 method2: 0.001593632698059082, batch_size: 8, size: 8, num_rois: 100 method3: 0.00210268497467041, batch_size: 8, size: 8, num_rois: 100 method4: 0.061138014793396, batch_size: 8, size: 8, num_rois: 100 method1: 0.001754002571105957, batch_size: 64, size: 64, num_rois: 100 method2: 0.0047376775741577145, batch_size: 64, size: 64, num_rois: 100 method3: 0.006129913330078125, batch_size: 64, size: 64, num_rois: 100 method4: 0.06233139038085937, batch_size: 64, size: 64, num_rois: 100 method1: 0.0018497371673583984, batch_size: 64, size: 64, num_rois: 1000 method2: 0.010891580581665039, batch_size: 64, size: 64, num_rois: 1000 method3: 0.023005642890930177, batch_size: 64, size: 64, num_rois: 1000 method4: 0.5292188739776611, batch_size: 64, size: 64, num_rois: 1000 method1: 0.09110891819000244, batch_size: 256, size: 256, num_rois: 100 method2: 0.4102628231048584, batch_size: 256, size: 256, num_rois: 100 method3: 0.3902537250518799, batch_size: 256, size: 256, num_rois: 100 method4: 0.6544218873977661, batch_size: 256, size: 256, num_rois: 100 method1: 0.09256606578826904, batch_size: 256, size: 256, num_rois: 1000 method2: 0.641594967842102, batch_size: 256, size: 256, num_rois: 1000 method3: 1.3756087446212768, batch_size: 256, size: 256, num_rois: 1000 method4: 4.076273036003113, batch_size: 256, size: 256, num_rois: 1000
对比2：含反向传播
use_cuda: True, has_backward: False method1: 0.000156359672546386, batch_size: 8, size: 8, num_rois: 10 method2: 0.009024391174316406, batch_size: 8, size: 8, num_rois: 10 method3: 0.009477467536926269, batch_size: 8, size: 8, num_rois: 10 method4: 0.002876405715942383, batch_size: 8, size: 8, num_rois: 10 method1: 0.00017533779144287, batch_size: 8, size: 8, num_rois: 100 method2: 0.00040388107299804, batch_size: 8, size: 8, num_rois: 100 method3: 0.00085462093353271, batch_size: 8, size: 8, num_rois: 100 method4: 0.02638674259185791, batch_size: 8, size: 8, num_rois: 100 method1: 0.00018683433532714, batch_size: 64, size: 64, num_rois: 100 method2: 0.00039398193359375, batch_size: 64, size: 64, num_rois: 100 method3: 0.00234550476074218, batch_size: 64, size: 64, num_rois: 100 method4: 0.02483976364135742, batch_size: 64, size: 64, num_rois: 100 method1: 0.0013917160034179, batch_size: 64, size: 64, num_rois: 1000 method2: 0.0010843658447265, batch_size: 64, size: 64, num_rois: 1000 method3: 0.0025740385055541, batch_size: 64, size: 64, num_rois: 1000 method4: 0.2577446269989014, batch_size: 64, size: 64, num_rois: 1000 method1: 0.0003826856613153, batch_size: 256, size: 256, num_rois: 100 method2: 0.0004550600051874, batch_size: 256, size: 256, num_rois: 100 method3: 0.2729876136779785, batch_size: 256, size: 256, num_rois: 100 method4: 0.0269237756729125, batch_size: 256, size: 256, num_rois: 100 method1: 0.0008277797698974, batch_size: 256, size: 256, num_rois: 1000 method2: 0.0021707582473754, batch_size: 256, size: 256, num_rois: 1000 method3: 0.2724076747894287, batch_size: 256, size: 256, num_rois: 1000 method4: 0.2687232542037964, batch_size: 256, size: 256, num_rois: 1000
能够观察到最后一种方法老是最慢的，由于对于全部的num_roi依次循环迭代，效率极低。
对比3：固定1个batch（一张图），size假设为50*50（特征图大小，因此原图为800*800），特征图通道设为512，num_rois设为300，这是近似于 batch为1的Faster-RCNN的测试过程，看一下用时状况：此时输入特征图为（1,512,50,50），rois为（300,5）。rois的第一列为batch index，由于是1个batch，因此此项全为0，没有实质做用。
use_cuda: True, has_backward: True method0: 0.0344547653198242, batch_size: 1, size: 50, num_rois: 300 method1: 0.1322056961059570, batch_size: 1, size: 50, num_rois: 300 method2: 0.1307379817962646, batch_size: 1, size: 50, num_rois: 300 method3: 0.2016681671142578, batch_size: 1, size: 50, num_rois: 300
能够看到，方法2和方法3速度几乎一致，因此可使用更简洁的chainer方法，然而当使用多batch训练Faster时，最好利用方法1，速度极快。
代码已上传：github