DataLoader数据加载慢的解决办法

问题描述

使用pytorch训练神经网络的过程中，DataLoader数据加载得很慢，首先考虑设定DataLoader中的num_workers参数，使用多线程并行加载数据，但后来发现即使设定num_workers=16，也并没有实质性的速度提升，并且发现每隔 batch_size × num_workers 个数据（假定一个epoch总共有M个训练数据），训练会卡顿一会儿，仿佛GPU在等待CPU从DataLoader中加载数据。

在训练过程中，使用 top 命令查看CPU工作状态，如下：

使用 watch -n 1 nvidia-smi 命令查看GPU工作状态，如下：

可以看出，此时虽然有多个CPU线程并行工作，但每个线程的利用率较低，并且虽然GPU有一定的显存占用（目前是单GPU运行），但利用率几乎为0。

解决办法

在上述训练过程中，并没有有效地实现CPU多线程并行加载数据，原因是我将训练数据、数据扩增数据以及程序代码放在同一块固态硬盘中，而将这三部分数据分别放在不同的硬盘中，问题得到解决，CPU和GPU工作状态如下：

标签：解决办法,训练,DataLoader,GPU,数据,CPU,加载
来源： https://www.cnblogs.com/mauss/p/15666297.html