©2020-2024 ioDraw All rights reserved
num_workers是Dataloader的概念，默认值是0.
是告诉DataLoader实例要使用多少个子进程进行数据加载(和CPU有关，和GPU无关)
如果num_worker
设为0，意味着每一轮迭代时，dataloader不再有自主加载数据到RAM这一步骤（因为没有worker了），而是在RAM中找batch，找不到时再加载相应的batch。缺点当然是速度慢。
当num_worker不为0时，每轮到dataloader加载数据时，dataloader一次性创建num_worker个worker，并用
batch_sampler将指定batch分配给指定worker，worker将它负责的batch加载进RAM。
num_worker设置得大，好处是寻batch速度快，因为下一轮迭代的batch很可能在上一轮/上上一轮...迭代时已经加载好了。
坏处是内存开销大，也加重了CPU负担（worker加载数据到RAM的进程是CPU复制的嘛）。num_workers
的经验设置值是自己电脑/服务器的CPU核心数，如果CPU很强、RAM也很充足，就可以设置得更大些。
num_worker小了的情况，主进程采集完最后一个worker的batch。此时需要回去采集第一个worker产生的第二个batch。如果该worker此时没有采集完，主线程会卡在这里等。（这种情况出现在，num_works数量少或者batchsize
比较小，显卡很快就计算完了，CPU对GPU供不应求。）
即，num_workers的值和模型训练快慢有关，和训练出的模型的performance无关
Detectron2的num_workers默认是4
选择最合适的num_workers值
最合适的num_works值与数据集有关
最好是跑代码之前先用这段script跑一下，选择最合适的num_workers值
from time import time import multiprocessing as mp import torch import
torchvision from torchvision import transforms transform = transforms.Compose([
torchvision.transforms.ToTensor(), torchvision.transforms.Normalize((0.1307,),
(0.3081,)) ]) trainset = torchvision.datasets.MNIST( root='dataset/',
train=True, #如果为True，从 training.pt 创建数据，否则从 test.pt 创建数据。 download=True,
#如果为true，则从 Internet 下载数据集并将其放在根目录中。 如果已下载数据集，则不会再次下载。 transform=transform )
print(f"num of CPU: {mp.cpu_count()}") for num_workers in range(2,
mp.cpu_count(), 2): train_loader = torch.utils.data.DataLoader(trainset,
shuffle=True, num_workers=num_workers, batch_size=64, pin_memory=True) start =
time() for epoch in range(1, 3): for i, data in enumerate(train_loader, 0):
pass end = time() print("Finish with:{} second, num_workers={}".format(end -
start, num_workers))
可以看到，这个服务器24个CPU, 最合适的num_workers值是14