Deep Learning炼丹经验总结——减少对设备性能消耗的方法

近期在拿paddlepaddle跑知识蒸馏，这一块遇上了很多因为硬件限制导致出问题的地方，查资料的时候发现在其他框架也有类似的问题（溢出、进程出问题等），因此在这里对目前收集到的解决方案做一下小结。

跑模型的时候很多人设备环境有限，公有GPU资源分配不上，多少求人不如求己，只能在自己电脑上部署深度学习环境，如果遇上了很多受设备限制无法跑的模型，可以参考这里对自己的代码或者环境做一下调整，或许会有帮助。

1、调低batchsize

batchsize的大小对设备的损耗是最直观的，每次计算的时候，总需要将一个batch内的数据全部投喂到模型中，让模型学习其中的特征，在这种情况下如果显卡算力有限，直接卡死了batchsize的上限。

毕竟不是谁家也有几百块显卡来跑大模型的，别人在几百块显卡上设置的batchsize，在自己的显卡上当然要对应调低一些。调低这个参数当然不是最优解，但是却是新手最需要优先考虑的方案。

2、控制一个任务只加载一个dataloader

这一块也是最近才发现的，最近经常遇上shm分区溢出，网上有人说是尽量只加载一个dataloader，一个dataloader在初始化成功的时候会默认持续占有一段存储空间，以便之后的取出数据，如果同时加载了trainloader和valloader，一些设备可能会承受不住。

这种堆砌着跑的方式，新手多少需要慎用，如果需要测试集的验证结果，建议新手先保存每一轮的权重文件，然后再设计代码单独对每轮的权重文件投喂测试集进行测试。

3、控制数据增强策略

数据增强策略现在在提升模型性能的时候很常用，但是需要注意的是数据增强的策略非常建议要慎用。比如在一些植物病虫害检测场景下，病虫害的病变部位很小，很依赖颜色来区分特征，如果使用了修改颜色的数据增强策略，或者使用了太大的随机遮挡，导致模型直接学习到错误的特征不说，还会白白浪费设备性能。

4、控制shuffle的位置

shuffle是很多框架自定义的dataloader自带的一个参数，这个参数很多人应该都知道它的必要性，如果不shuffle的话，会导致后来学习到的特征把前面的特征擦除掉。
所以，shuffle加是必须加的，但是每个dataloader在进行shuffle的时候，损耗也很大，如果设备性能有限，可以将分类任务的map文件写入到txt或者csv文件，然后写代码在文件内部对每行的内容进行shuffle，让dataloader逐行读取txt文件进行训练即可，可以让模型在训练的时候直接免去在map内部进行查找的过程。

5、调整Linux分区

shm分区溢出其实最简单的办法就是调大分区，但是如果是公有设备的话，这个分区大小动不了，所以也没辙。搞深度学习如果有自己Linux环境的话，那肯定要换自己Linux分区。

就是这一块再次叮嘱一下，搞深度学习滴，不懂Linux分区的话，不要人家说分多少就跟着分多少，有的分区经验是给新手用的，新手会跑跑命令就够了，所以一些分区设置会很小。那个分区有的分小了，shm分区出现问题是轻的，有的可能连显卡驱动都安不上。实在不会的话，使用Ubuntu一类有自带的默认分区工具，就别自定义了，目前测试发现用人家默认值都比一些人自定义的强。

6、控制多线程

还有建议说在dataloader加载数据的时候干脆不要开启多线程，是多线程导致的溢出，设置num_worker为0即可。

目前测试在paddle上确实有这个缘故，pytorch听说也有，但是paddle2.1多线程关闭反而会报错，很恶心，暂时不想调整这个bug，我在自己电脑上部署了环境。

7、旧版本cudnn

有一个帖子说是cudnn的7.6版本换7.6.5即可，这个没试过，有遇上的可以试试。

8、换电脑吧