对于并行编程，通常是cpu有几个核心就开几个线程，比如在上面的这个例子中，将图片均匀分为四等分，但是会发现四号区域处理的时间更长。所以由于木桶原理，花的时间由最慢的线程决定。所以实际并没有达到高效。所以要根据任务量平均分配解决方案：1、调大核心数量，线程越多越好，如果超过和cpu的核心数量，那就会自动轮换，轮流执行每个线程。比如这里分配了16个线程，但实际上只有4个核心，那么就会先执行1，2，3，

其中，在普通的计算中，上面的op1的output_data是拷贝到op2的input_data中的，而在我们的这个推理网络中，我们是进行了一个内存的复用的。判断，如果meet_num == 输入节点数的话，那就代表之前节点的输出已经全部结束了，现在可以将他们放入到下一节点的输入里面了。我们可以看到，在图中，Graph在执行时在逻辑上可以分为两条路径，一条是控制流，另外一条是数据流。的输入存在，其中

其余的都是和之前一样的，这是非常好用便捷的，所以如果有模型需要作测试，是非常推荐用onnxruntime的。第二个是input的dict，这个意思就是如果有好多个输入，那应该是将名字与输入进行一一对应，比如"input1 ":input1,"input2":input2....建立一个InferenceSession，塞进去的是onnx的路径，实际运算的后端选用的是CPU。输入第一个是output