重磅干货，每天 8:25 送达
1. 没有比较高效的数据存储，tensorflow有tfrecord, caffe有lmdb，cv.imread在网络训练过程中实属浪费时间。这里感谢一下小智大神
智天成
解决方案：
当时看到了一个还不错的github链接，
https://github.com/Lyken17/Efficient-PyTorch
主要是讲如何使用lmdb，h5py,pth,lmdb,n5等数据存储方式皆可以。
个人的感受是，h5在数据调用上比较快，但是如果要使用多线程读写，就尽量不要使用h5,因为h5的多线程读写好像比较麻烦。
http://docs.h5py.org/en/stable/mpi.html
这里贴一下h5数据的读写代码(主要需要注意的是字符串的读写需要encode,decode,最好用create_dataset，直接写的话读的时候会报错)：
写： imagenametotal_.append(os.path.join('images', imagenametotal).encode()) with h5py.File(outfile) as f: f.create_dataset('imagename', data=imagenametotal_) f['part'] = parts_ f['S'] = Ss_ f['image'] = cvimgs读：with h5py.File(outfile) as f: imagename = [x.decode() for x in f['imagename']] kp2ds = np.array(f['part']) kp3ds = np.array(f['S']) cvimgs = np.array(f['image'])
2. gpu imbalance，这里感谢一下张航学长
张航
老生常谈的问题，第一个GPU显存占用多一点。
张航学长Hang Zhang (张航)提了一个开源的gpu balance的工具--PyTorch-Encoding。
https://github.com/zhanghang1989/PyTorch-Encoding
使用方法还是比较便捷的，如下所示：
from balanced_parallel import DataParallelModel, DataParallelCriterionmodel = DataParallelModel(model, device_ids=gpus).cuda()criterion = loss_fn().cuda()这里其实有2个注意点，第一，测试的时候需要手动将gpu合并，代码如下：
from torch.nn.parallel.scatter_gather import gatherpreds = gather(preds, 0)第二，当loss函数有多个组成的时候，比如 loss = loss1 + loss2 + loss3
那么需要把这三个loss写到一个class中，然后再forward里面将其加起来。
其次，我们还可以用另外一个函数distributedDataParallel来解决gpu imbalance的问题.
使用方法如下：（注：此方法好像无法和h5数据同时使用）
from torch.utils.data.distributed import DistributedSamplerfrom torch.nn.parallel import DistributedDataParallel
torch.distributed.init_process_group(backend="nccl")# 配置每个进程的gpulocal_rank = torch.distributed.get_rank()torch.cuda.set_device(local_rank)device = torch.device("cuda", local_rank)
#封装之前要把模型移到对应的gpumodel.to(device)model = torch.nn.parallel.DistributedDataParallel(model,device_ids=[local_rank], output_device=local_rank)
#原有的dataloader上面加一个数据sampletrain_loader = torch.utils.data.DataLoader( train_dataset, sampler=DistributedSampler(train_dataset) )
3.gpu利用率不高+gpu现存占用浪费
常用配置：
1主函数前面加：（这个会牺牲一点点现存提高模型精度）
cudnn.benchmark = True
torch.backends.cudnn.deterministic = False
torch.backends.cudnn.enabled = True2 训练时，epoch前面加：（定期清空模型，效果感觉不明显）
torch.cuda.empty_cache()3 无用变量前面加：（同上，效果某些操作上还挺明显的）
del xxx(变量名)4 dataloader的长度_len_设置：（dataloader会间歇式出现卡顿，设置成这样会避免不少）
def __len__(self):
return self.images.shape[0]5 dataloader的预加载设置：（会在模型训练的时候加载数据，提高一点点gpu利用率）
train_loader = torch.utils.data.DataLoader(
train_dataset,
pin_memory=True,
)
6 网络设计很重要，外加不要初始化任何用不到的变量，因为pyroch的初始化和forward是分开的，他不会因为你不去使用，而不去初始化。
7 最后放一张目前依旧困扰我的图片：
可以看到，每个epoch刚开始训练数据的时候，第一个iteration时间会占用的非常多,pytorch这里就做的很糟糕，并不是一个动态分配的过程，我也看到了一个看上去比较靠谱的解决方案。
加群交流
欢迎小伙伴加群交流，目前已有交流群的方向包括：AI学习交流群，目标检测，秋招互助，资料下载等等；加群可扫描并回复感兴趣方向即可
