深度学习框架Pytorch使用笔记（不断更新）

多卡训练

当一台机器上有多张卡可以使用时，我们希望能够在多张GPU上跑实验

torch.nn.DataParallel

显卡负载不均衡…（to be update）主卡比其他副卡占了将近2倍的显存

PyTorch分布式训练

没试过，还不会，但听说可以解决负载不均衡的问题

CPU 内存占用率不断增长

num_workers

当num_workers设为0时，CPU memory没有增长，但是取数据特别慢。在num_wokers = 8时，每秒钟能处理将近128张图片，但我把num_workers设置为0，每秒钟处理的图片数大概是8-10张，相差10倍多…
我遇到的问题是：
当num_workers大于0时，内存会渐渐增长，直到溢出（CPU memory leak）, 120G都不够用。。。

1. num_workers还是要大于0，不然时间难以承受
2. 检查你的变量里是不是有保存list，根据pytorch官方人员的解答，其实不是真正的“内存爆掉”，而是python 语言设计的机制。
   解决方法是：将list变量换成numpy array或者tensor
   Python列表仅存储对对象的引用，这些对象分别保存在内存中。每个对象都有一个引用计数，因此列表中的每个项目都有一个引用计数。
   Numpy数组（标准np类型）作为连续块存储在内存中，并且只有一个引用计数的一个对象。

强烈建议爆内存的伙伴可以看一下这里完整的讨论：
https://github.com/pytorch/pytorch/issues/13246
这并不是pytorch的问题，而是python 语言设计的机制。

节省显存

之前我不用的变量都是用del删掉，发现作用没有那么明显，但当在每次iteration后加入：

torch.cuda.empty_cache()

来清理无用的值，oh my god，变化很明显，能少将近5G的显存。
但感觉还是作用不大，因为显存一直在变化，它的峰值最高能达到9G，就算变化到2G左右，我还是不能同时在一张卡上跑几份代码，因为得按它的最高需求来分配显存。

但大部分时候只有2G左右的显存了，神奇…