pytorch 25 科学炼丹（训练）方式之——加速训练

训练epoch的次数对模型的性能影响较大，如果能在有限的时间内将模型训练的次数变得更多，这有利于得出最佳模型。为此，对加速模型训练做了一定调研。在这里主要以如何提升GPU利用率的方式研究加速训练。因为在模型训练过程中，存在io瓶颈，GPU不是一直全功率运作的，会有一个周期性的等待（在batch前向传播后中GPU需要等待CPU传输数据）。为此，将以降低IO瓶颈的方式探讨如何加速训练。

核心：在保证模型结构不变的前提下，降低IO瓶颈加速模型训练

在深度学习中，从数据加载到训练模型的过程如下图所示，包含数据加载与解码、数据在线增强、数据到GPU、训练模型，接下来将从以下4个方面介绍如何加速模型训练的小技巧。并用推荐指数1~5，描述其实用性，指数越高实用性越强。

1、数据加载与解码

我们平时存储的jpg图像其实是经过压缩的，因此在读取数据时系统要进行解码。那么在这里一共提出以下加速方案：
1、采用bmp等无压缩格式存储数据，减小解码时间（推荐指数2）
2、使用torchvision.io 读取图片（推荐指数3）
    基本说明：通过torchvision.io 读取图片可以提升加载速度
    示例代码：file=torchvision.io.read_file(img_path);img=torchvision.io.decode_image(file) 
3、当模型的输入尺寸固定时，设置t