pytorch DataLoader的num_workers參數(shù)與設(shè)置大小的示例分析

這篇文章主要介紹pytorch DataLoader的num_workers參數(shù)與設(shè)置大小的示例分析，文中介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們一定要看完！

Q：在給Dataloader設(shè)置worker數(shù)量（num_worker）時(shí)，到底設(shè)置多少合適？這個(gè)worker到底怎么工作的？

train_loader = torch.utils.data.DataLoader(train_dataset,
                                               batch_size=batch_size, shuffle=True,
                                               num_workers=4)

參數(shù)詳解：

1、每次dataloader加載數(shù)據(jù)時(shí)：dataloader一次性創(chuàng)建num_worker個(gè)worker，（也可以說dataloader一次性創(chuàng)建num_worker個(gè)工作進(jìn)程，worker也是普通的工作進(jìn)程），并用batch_sampler將指定batch分配給指定worker，worker將它負(fù)責(zé)的batch加載進(jìn)RAM。

然后，dataloader從RAM中找本輪迭代要用的batch，如果找到了，就使用。如果沒找到，就要num_worker個(gè)worker繼續(xù)加載batch到內(nèi)存，直到dataloader在RAM中找到目標(biāo)batch。一般情況下都是能找到的，因?yàn)閎atch_sampler指定batch時(shí)當(dāng)然優(yōu)先指定本輪要用的batch。

2、num_worker設(shè)置得大，好處是尋batch速度快，因?yàn)橄乱惠喌腷atch很可能在上一輪/上上一輪...迭代時(shí)已經(jīng)加載好了。壞處是內(nèi)存開銷大，也加重了CPU負(fù)擔(dān)（worker加載數(shù)據(jù)到RAM的進(jìn)程是CPU復(fù)制的嘛）。num_workers的經(jīng)驗(yàn)設(shè)置值是自己電腦/服務(wù)器的CPU核心數(shù)，如果CPU很強(qiáng)、RAM也很充足，就可以設(shè)置得更大些。

3、如果num_worker設(shè)為0，意味著每一輪迭代時(shí)，dataloader不再有自主加載數(shù)據(jù)到RAM這一步驟（因?yàn)闆]有worker了），而是在RAM中找batch，找不到時(shí)再加載相應(yīng)的batch。缺點(diǎn)當(dāng)然是速度更慢。

設(shè)置大小建議：

1、Dataloader的num_worker設(shè)置多少才合適，這個(gè)問題是很難有一個(gè)推薦的值。有以下幾個(gè)建議：

2、num_workers=0表示只有主進(jìn)程去加載batch數(shù)據(jù)，這個(gè)可能會(huì)是一個(gè)瓶頸。

3、num_workers = 1表示只有一個(gè)worker進(jìn)程用來加載batch數(shù)據(jù)，而主進(jìn)程是不參與數(shù)據(jù)加載的。這樣速度也會(huì)很慢。

num_workers>0 表示只有指定數(shù)量的worker進(jìn)程去加載數(shù)據(jù)，主進(jìn)程不參與。增加num_works也同時(shí)會(huì)增加cpu內(nèi)存的消耗。所以num_workers的值依賴于 batch size和機(jī)器性能。

4、一般開始是將num_workers設(shè)置為等于計(jì)算機(jī)上的CPU數(shù)量

5、最好的辦法是緩慢增加num_workers，直到訓(xùn)練速度不再提高，就停止增加num_workers的值。

補(bǔ)充：pytorch中Dataloader()中的num_workers設(shè)置問題

如果num_workers的值大于0，要在運(yùn)行的部分放進(jìn)__main__()函數(shù)里，才不會(huì)有錯(cuò)：

import numpy as np
import torch
from torch.autograd import Variable
import torch.nn.functional
import matplotlib.pyplot as plt
import torch.utils.data as Data 
 
BATCH_SIZE=5
 
x=torch.linspace(1,10,10)
y=torch.linspace(10,1,10)
torch_dataset=Data.TensorDataset(x,y)
loader=Data.DataLoader(
    dataset=torch_dataset,
    batch_size=BATCH_SIZE,
    shuffle=True,
    num_workers=2,
) 
 
def main():
    for epoch in range(3):
        for step,(batch_x,batch_y) in enumerate(loader):
            # training....
            print('Epoch:',epoch,'| step:',step,'| batch x:',batch_x.numpy(),
                  '| batch y:',batch_y.numpy()) 
 
if __name__=="__main__":
    main() 
 
'''
# 下面這樣直接運(yùn)行會(huì)報(bào)錯(cuò)：
 for epoch in range(3):
     for step,(batch_x,batch_y) in enumerate(loader):
         # training....
          print('Epoch:',epoch,'| step:',step,'| batch x:',batch_x.numpy(),
                  '| batch y:',batch_y.numpy()
'''

pytorch的優(yōu)點(diǎn)

1.PyTorch是相當(dāng)簡潔且高效快速的框架；2.設(shè)計(jì)追求最少的封裝；3.設(shè)計(jì)符合人類思維，它讓用戶盡可能地專注于實(shí)現(xiàn)自己的想法；4.與google的Tensorflow類似，F(xiàn)AIR的支持足以確保PyTorch獲得持續(xù)的開發(fā)更新；5.PyTorch作者親自維護(hù)的論壇 供用戶交流和求教問題6.入門簡單

以上是“pytorch DataLoader的num_workers參數(shù)與設(shè)置大小的示例分析”這篇文章的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對(duì)大家有幫助，更多相關(guān)知識(shí)，歡迎關(guān)注億速云行業(yè)資訊頻道！