Pytorch 如何加速Dataloader提升數(shù)據(jù)讀取速度
在利用DL解決圖像問題時,影響訓練效率最大的有時候是GPU,有時候也可能是CPU和你的磁盤。
很多設計不當?shù)娜蝿?,在訓練神?jīng)網(wǎng)絡的時候,大部分時間都是在從磁盤中讀取數(shù)據(jù),而不是做 Backpropagation 。
這種癥狀的體現(xiàn)是使用 Nividia-smi 查看 GPU 使用率時,Memory-Usage 占用率很高,但是 GPU-Util 時常為 0% ,如下圖所示:
如何解決這種問題呢?
在 Nvidia 提出的分布式框架 Apex 里面,我們在源碼里面找到了一個簡單的解決方案:
https://github.com/NVIDIA/apex/blob/f5cd5ae937f168c763985f627bbf850648ea5f3f/examples/imagenet/main_amp.py#L256
class data_prefetcher(): def __init__(self, loader): self.loader = iter(loader) self.stream = torch.cuda.Stream() self.mean = torch.tensor([0.485 * 255, 0.456 * 255, 0.406 * 255]).cuda().view(1,3,1,1) self.std = torch.tensor([0.229 * 255, 0.224 * 255, 0.225 * 255]).cuda().view(1,3,1,1) # With Amp, it isn't necessary to manually convert data to half. # if args.fp16: # self.mean = self.mean.half() # self.std = self.std.half() self.preload() def preload(self): try: self.next_input, self.next_target = next(self.loader) except StopIteration: self.next_input = None self.next_target = None return with torch.cuda.stream(self.stream): self.next_input = self.next_input.cuda(non_blocking=True) self.next_target = self.next_target.cuda(non_blocking=True) # With Amp, it isn't necessary to manually convert data to half. # if args.fp16: # self.next_input = self.next_input.half() # else: self.next_input = self.next_input.float() self.next_input = self.next_input.sub_(self.mean).div_(self.std)
我們能看到 Nvidia 是在讀取每次數(shù)據(jù)返回給網(wǎng)絡的時候,預讀取下一次迭代需要的數(shù)據(jù),
那么對我們自己的訓練代碼只需要做下面的改造:
training_data_loader = DataLoader( dataset=train_dataset, num_workers=opts.threads, batch_size=opts.batchSize, pin_memory=True, shuffle=True, ) for iteration, batch in enumerate(training_data_loader, 1): # 訓練代碼 #-------------升級后--------- data, label = prefetcher.next() iteration = 0 while data is not None: iteration += 1 # 訓練代碼 data, label = prefetcher.next()
這樣子我們的 Dataloader 就像打了雞血一樣提高了效率很多,如下圖:
當然,最好的解決方案還是從硬件上,把讀取速度慢的機械硬盤換成 NVME 固態(tài)吧~
補充:Pytorch設置多線程進行dataloader時影響GPU運行
使用PyTorch設置多線程(threads)進行數(shù)據(jù)讀取時,其實是假的多線程,他是開了N個子進程(PID是連續(xù)的)進行模擬多線程工作。
以載入cocodataset為例
DataLoader
dataloader = torch.utils.data.DataLoader(COCODataset(config["train_path"], (config["img_w"], config["img_h"]), is_training=True), batch_size=config["batch_size"], shuffle=True, num_workers=32, pin_memory=True)
numworkers就是指定多少線程的參數(shù),原為32。
檢查GPU是否運行該程序
查看運行在gpu上的所有程序:
fuser -v /dev/nvidia*
如果沒有返回,則該程序并沒有在GPU上運行
指定GPU運行
將num_workers改成0即可
以上為個人經(jīng)驗,希望能給大家一個參考,也希望大家多多支持腳本之家。
相關文章
OpenCV3.0+Python3.6實現(xiàn)特定顏色的物體追蹤
這篇文章主要為大家詳細介紹了OpenCV3.0+Python3.6實現(xiàn)特定顏色的物體追蹤,具有一定的參考價值,感興趣的小伙伴們可以參考一下2019-07-07詳解python websocket獲取實時數(shù)據(jù)的幾種常見鏈接方式
這篇文章主要介紹了詳解python websocket獲取實時數(shù)據(jù)的幾種常見鏈接方式,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧2019-07-07pytorch中LN(LayerNorm)及Relu和其變相的輸出操作
這篇文章主要介紹了pytorch中LN(LayerNorm)及Relu和其變相的輸出操作,具有很好的參考價值,希望對大家有所幫助。如有錯誤或未考慮完全的地方,望不吝賜教2021-05-05