目標：優化程式碼，利用多程序，進行近實時預處理、網路預測及後處理：

本人嘗試了pytorch的multiprocessing，進行多程序同步處理以上任務。

from torch.multiprocessing import Pool,Manager

為了進行各程序間的通訊，使用Queue，作為資料傳輸載體。

    manager = Manager()
    input_queue = manager.Queue()
    output_queue = manager.Queue()

    show_queue = manager.Queue()

即將預處理程序處理後的影象放進 input_queue，而網路預測程序實時獲取 input_queue佇列中的資料，一旦放入，就從中取出，輸入網路：

while 1：

    input = input_queue.get()

同理，將網路輸出放入output_queue，再由後處理程序實時獲取並進行後處理，處理後，放入show_queue

從而實現了多程序同步進行預處理、網路預測及後處理，加速了網路實時預測的表現。

問題及解決方案：

1. pytorch cuda報錯，re-initialization報錯問題：

習慣了在一開始將模型先載入進來放入gpu中，所以模型在主執行緒就完成了初始化，但是呼叫網路是在網路預測子程序進行的，就會導致跨程序重複初始化失敗。

解決方案：直接在子程序開始時初始化，其他程序可以設定個延時，等網路初始化好後再開始執行。

                    同理，資料輸入網路也是同樣的在子程序進行。

2. python3多程序程式設計，子程序不報錯問題：

一開始總是程式碼執行起來什麼都不出現，就開始各種debug，但因為python3中子程序不報錯，出錯了就卡在那裡，就每次自己找bug很麻煩，所以就急需子程序的報錯資訊。

解決方案： 用try  except組合，來列印子程序中某段程式錯誤，如下：

            try:
                out = forward(input_img,model,1)
            except Exception as error:
                print(error)

3.程序完全不執行時，考慮是否是輸入設定的問題，即當單變數輸入時，後面要加都好，如：

pool.apply_async(load_frame,args=(input_queue,))

如果是pool.apply_async(load_frame,args=(input_queue))則該程序不會啟動執行。

4. 一開始想優化cv2.resize，想用gpu下的tensor的resize_代替，但發現這種方式和numpy.resize一脈相承啊，根本不是我們想要的resize，如果是變大的話，這種resize會直接按順序填，然後剩下的就填0，實在是太草率了。。。

解決方案：還沒有很好的替代方案，只找了一下，cuda::resize，但是好像貌似沒有python介面，要是混合程式設計好像有點小題大做，得不償失了。如果各位有較好的方案，歡迎指點迷津。