點(diǎn)擊上方“小白學(xué)視覺”，選擇加"星標(biāo)"或“置頂”
重磅干貨，第一時間送達(dá)
本文轉(zhuǎn)自|深度學(xué)習(xí)這件小事
最近剛開始用pytorch不久，陸陸續(xù)續(xù)踩了不少坑，記錄一下，個人感覺應(yīng)該都是一些很容易遇到的一些坑，也在此比較感謝幫我排坑的小伙伴，持續(xù)更新，也祝愿自己遇到的坑越來越少。
首先作為tensorflow的骨灰級玩家+輕微強(qiáng)迫癥患者，一路打怪升級，從0.6版本用到1.2，再用到1.10，經(jīng)歷了tensorfow數(shù)個版本更迭，這里不得不說一下tf.data.dataset+tfrecord使用起來效率遠(yuǎn)比dataloader高的多。tensorflow有一個比較好用的隊列機(jī)制，tf.inputproducer + tfrecord, 但是inputproducer有一個bug，就是無法對每個epoch單獨(dú)shuffle，它只能整體shuffle,也就意味著我們無法進(jìn)行正常的訓(xùn)練流程（train幾個epoch，在validation上測一個epoch,最終選一個validation上的最好的結(jié)果，進(jìn)行test）。后來我當(dāng)時給官方提了一個issue，官方當(dāng)時的回答是，這個bug目前無法解決，但是他們在即將到來的tf1.2版本中， 推出的新型數(shù)據(jù)處理API tf.contrib.data.dataset（tf1.3版本將其合并到了tf.data.dataset）可以完美解決這個bug，并且將于tf2.0摒棄tf.input_producer。然后tf1.2版本剛出來以后，我就立馬升級并且開始tf.data.dataset踩坑，踩了大概2周多的坑，（這個新版的API其實(shí)功能并不是非常強(qiáng)大，有不少局限性，在此就不展開）。——————————————————————————好像扯遠(yuǎn)了，回歸pytorch，首先讓我比較尷尬的是pytorch并沒有一套屬于自己的數(shù)據(jù)結(jié)構(gòu)以及數(shù)據(jù)讀取算法，dataloader個人感覺其實(shí)就是類似于tf中的feed，并沒有任何速度以及性能上的提升。1.沒有高效的數(shù)據(jù)存儲,cv.imread在網(wǎng)絡(luò)訓(xùn)練過程中效率低當(dāng)時看到了一個還不錯的github鏈接，https://github.com/Lyken17/Efficient-PyTorch主要是講如何使用lmdb，h5py,pth,lmdb,n5等數(shù)據(jù)存儲方式皆可以。個人的感受是，h5在數(shù)據(jù)調(diào)用上比較快，但是如果要使用多線程讀寫，就盡量不要使用h5,因為h5的多線程讀寫好像比較麻煩。http://docs.h5py.org/en/stable/mpi.html這里貼一下h5數(shù)據(jù)的讀寫代碼(主要需要注意的是字符串的讀寫需要encode,decode,最好用create_dataset，直接寫的話讀的時候會報錯)：寫：
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
讀：
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'])
張航學(xué)長Hang Zhang (張航)提了一個開源的gpu balance的工具--PyTorch-Encoding。from balanced_parallel import DataParallelModel, DataParallelCriterionmodel = DataParallelModel(model, device_ids=gpus).cuda()criterion = loss_fn().cuda()
這里其實(shí)有2個注意點(diǎn)，第一，測試的時候需要手動將gpu合并，代碼如下：from torch.nn.parallel.scatter_gather import gatherpreds = gather(preds, 0)
第二，當(dāng)loss函數(shù)有多個組成的時候，比如 loss = loss1 + loss2 + loss3那么需要把這三個loss寫到一個class中，然后再forward里面將其加起來。其次，我們還可以用另外一個函數(shù)distributedDataParallel來解決gpu imbalance的問題.使用方法如下：（注：此方法好像無法和h5數(shù)據(jù)同時使用）from torch.utils.data.distributed import DistributedSamplerfrom torch.nn.parallel import DistributedDataParallel
torch.distributed.init_process_group(backend="nccl")local_rank = torch.distributed.get_rank()torch.cuda.set_device(local_rank)device = torch.device("cuda", local_rank)
model.to(device)model = torch.nn.parallel.DistributedDataParallel(model,device_ids=[local_rank], output_device=local_rank)
train_loader = torch.utils.data.DataLoader( train_dataset, sampler=DistributedSampler(train_dataset) )
3.gpu利用率不高,+gpu現(xiàn)存占用浪費(fèi)1主函數(shù)前面加：（這個會犧牲一點(diǎn)點(diǎn)現(xiàn)存提高模型精度）cudnn.benchmark = Truetorch.backends.cudnn.deterministic = Falsetorch.backends.cudnn.enabled = True
2訓(xùn)練時，epoch前面加：（定期清空模型，效果感覺不明顯）3無用變量前面加：（同上，效果某些操作上還挺明顯的）4dataloader的長度_len_設(shè)置：（dataloader會間歇式出現(xiàn)卡頓，設(shè)置成這樣會避免不少）def __len__(self): return self.images.shape[0]
5dataloader的預(yù)加載設(shè)置：（會在模型訓(xùn)練的時候加載數(shù)據(jù)，提高一點(diǎn)點(diǎn)gpu利用率）train_loader = torch.utils.data.DataLoader( train_dataset, pin_memory=True, )
6網(wǎng)絡(luò)設(shè)計很重要，外加不要初始化任何用不到的變量，因為pyroch的初始化和forward是分開的，他不會因為你不去使用，而不去初始化。
可以看到，每個epoch剛開始訓(xùn)練數(shù)據(jù)的時候，第一個iteration時間會占用的非常多,pytorch這里就做的很糟糕，并不是一個動態(tài)分配的過程，我也看到了一個看上去比較靠譜的解決方案，解決方案如下 @風(fēng)車車：在深度學(xué)習(xí)中喂飽gpu
https://zhuanlan.zhihu.com/p/77633542
但是我看了下代碼，可能需要重構(gòu)dataloader，看了評論好像還有問題，有點(diǎn)懶，目前還沒有踩坑，準(zhǔn)備后面有時間踩一下。暫且更新到這里，后續(xù)遇到什么坑陸續(xù)補(bǔ)充，也歡迎大家給我補(bǔ)充，pytorch初學(xué)者小白一枚。
更個新；順便吐槽一下上面的dali，局限性很大，比較trick的數(shù)據(jù)預(yù)處理很難搞定。事實(shí)證明，apex并沒有官網(wǎng)說的那么玄乎，只能減低顯存，并不能提速（12G顯存大概可以降低到8G左右，效果還挺明顯的，但是，速度降低了大概1/3，好像有點(diǎn)得不償失）。編譯之后提速也很有限，再此留個坑，有小伙伴能解決的可以私信我哈，如果可以解決我會仔細(xì)羅列一遍。。
—完—
好消息，小白學(xué)視覺團(tuán)隊的知識星球開通啦，為了感謝大家的支持與厚愛，團(tuán)隊決定將價值149元的知識星球現(xiàn)時免費(fèi)加入。各位小伙伴們要抓住機(jī)會哦！
下載1：OpenCV-Contrib擴(kuò)展模塊中文版教程
在「小白學(xué)視覺」公眾號后臺回復(fù)：擴(kuò)展模塊中文教程，即可下載全網(wǎng)第一份OpenCV擴(kuò)展模塊教程中文版，涵蓋擴(kuò)展模塊安裝、SFM算法、立體視覺、目標(biāo)跟蹤、生物視覺、超分辨率處理等二十多章內(nèi)容。下載2：Python視覺實(shí)戰(zhàn)項目52講在「小白學(xué)視覺」公眾號后臺回復(fù)：Python視覺實(shí)戰(zhàn)項目，即可下載包括圖像分割、口罩檢測、車道線檢測、車輛計數(shù)、添加眼線、車牌識別、字符識別、情緒檢測、文本內(nèi)容提取、面部識別等31個視覺實(shí)戰(zhàn)項目，助力快速學(xué)校計算機(jī)視覺。下載3：OpenCV實(shí)戰(zhàn)項目20講在「小白學(xué)視覺」公眾號后臺回復(fù)：OpenCV實(shí)戰(zhàn)項目20講，即可下載含有20個基于OpenCV實(shí)現(xiàn)20個實(shí)戰(zhàn)項目，實(shí)現(xiàn)OpenCV學(xué)習(xí)進(jìn)階。交流群
歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫(yī)學(xué)影像、GAN、算法競賽等微信群（以后會逐漸細(xì)分），請掃描下面微信號加群，備注：”昵稱+學(xué)校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據(jù)研究方向邀請進(jìn)入相關(guān)微信群。請勿在群內(nèi)發(fā)送廣告，否則會請出群，謝謝理解~
