pytorch 笔记：pytorch 优化内容（更新中）

1 Tensor创建类

1.1 直接创建Tensor，而不是从Python或Numpy中转换

• 不要使用原生Python或NumPy创建数据，然后将其转换为torch.Tensor
• 直接用torch.Tensor创建
• 或者直接：torch.empty(),  torch.zeros(),  torch.full(),  torch.ones(),  torch.eye(),  torch.randint(), torch.rand(), torch.randn()

1.2 直接在GPU中创建，减少.to(device)

ok的：

tensor = torch.rand([10, 5], device=torch.device('cuda:0'))

尽量避免的：

cuda_tensor.cpu()
cuda_tensor.to_device('cpu')
cpu_tensor.cuda()
cpu_tensor.to_device('cuda')
cpu_tensor.to(device)

1.3  使用 torch.from_numpy(numpy_array)和torch.as_tensor(others)代替 torch.tensor

• torch.tensor() 会拷贝数据

2 Dataloader类

2.1 pin_memory

Dataloader(dataset, pin_memory=True)

• 在深度学习中，使用GPU进行训练时经常需要将数据从CPU传输到GPU。
  • 由于GPU无法直接访问CPU的可分页（非固定）内存，这会导致数据传输效率不高。
  • 可分页内存是指操作系统可以将其页（即数据块）移出到虚拟内存的物理内存。
• 设置 pin_memory=True 的作用是在数据从CPU传输到GPU之前，先将数据从可分页内存转移到固定内存（也称为页面锁定内存）。
  • 固定内存是一种特殊类型的内存，操作系统不会将其页移出到虚拟内存，这样GPU可以更快地访问这部分内存。
  • 使用固定内存可以避免数据在传输过程中的额外拷贝，因此可以加快数据从CPU到GPU的传输速度。

3 其他

3.1 torch.backends.cudnn.benchmark 设置为 True

• 在深度学习中，卷积操作是最计算密集的部分之一。NVIDIA 的 cuDNN 库提供了多种卷积算法，每种算法都适用于不同的硬件和卷积配置（如内核大小、步幅、填充等）

• 当 torch.backends.cudnn.benchmark 设置为 False（默认值）时，PyTorch/cuDNN 会选择一个合适的、通用的卷积算法来执行操作，而不会根据具体的网络配置进行优化。

  • 这种选择通常比较保守，确保了在大多数情况下的可靠性。

• 当设置为 True 时，PyTorch 会在程序第一次执行每种卷积配置时启用一个自动调优器，这个调优器通过实际运行不同的卷积算法来测试它们的性能。

  • 然后，它选择最快的算法，并在后续的训练过程中使用这一算法。

  • 这个“基准测试”过程只在第一次遇到新的卷积配置时进行。

• 如果模型的输入大小（包括批大小、图像尺寸等）在整个训练过程中保持不变，开启 torch.backends.cudnn.benchmark 通常可以带来性能提升。这是因为一旦为每种卷积配置选择了最优算法，就不需要再进行调整，每次执行同样的卷积操作都会使用这一最优算法。

参考内容：mp.weixin.qq.com/s?__biz=MzA4ODUxNjUzMQ==&mid=2247500198&idx=1&sn=0eb717d910f4e8452664ac520679b1e1&chksm=902a737aa75dfa6c3ea3e6fad7c4f4799304ccd4d21277d615e7200266775c8fdf480cb66f5a&scene=126&sessionid=1690516061#rd