方法1:window10的任务管理器显示的gpu利用率数据有可能是错的,存在bug,
博主就被这个数据误导了。所以,首先从nvidia-smi或其他软件(如,Gpu-Z等)看gpu真实的利用率。

方法2、第一种情况排除后,就要考虑模型太小,batch-size太小。将改变模型结构,或将batch-size调大。

方法3
、如果第二种情况的gpu利用率还是很低,而cpu利用率很高,那瓶颈应该是数据加载的问题,gpu处理太快,cpu经常处于传输数据的过程。所以,启动多线程加载数据,num_worker可以设置2,4,
8, 16,如果你的内存空间够大,那就再设置pin_memory=True。这会让数据锁页,不允许将数据放到虚拟内存中,省掉了一点数据传输时间。
torch.utils.data.DataLoader(image_datasets[x], batch_size=batch_size,
shuffle=True, num_workers=4, pin_memory=True)
方法4、如果设置num_workers不为0后出现boken pipe问题, 就将主程序包含进下面的代码
if __name__ == '__main__':
例如下面的示例:

如果还不行,就设置num_workers=0

方法5、如果是固体硬盘,数据加载的速度很快,num_workers设为0,1, 2,
4就好,不要太大。自己可以尝试看那个比较快。设置太大,cpu对各个子线程的数据合并所花时间太多,会导致数据加载速度不升反降。

方法6、如果还是有问题,尝试重启电脑看看能否解决问题。

技术
友情链接
码工具
Toolsou
API参考文档
云服务器优惠
阿里云优惠券
腾讯云优惠券
华为云优惠券
站点信息
问题反馈
邮箱:ixiaoyang8@qq.com
QQ群:766591547
关注微信