pytorch dataloader_pytorch常见的坑汇总

最近刚开始用pytorch不久,陆陆续续踩了不少坑,记录一下,个人感觉应该都是一些很容易遇到的一些坑,也在此比较感谢帮我排坑的小伙伴,持续更新,也祝愿自己遇到的坑越来越少。

首先作为tensorflow的骨灰级玩家+轻微强迫症患者,一路打怪升级,从0.6版本用到1.2,再用到1.10,经历了tensorfow数个版本更迭,这里不得不说一下tf.data.dataset+tfrecord使用起来效率远比dataloader高的多。

tensorflow有一个比较好用的队列机制,tf.inputproducer + tfrecord, 但是inputproducer有一个bug,就是无法对每个epoch单独shuffle,它只能整体shuffle,也就意味着我们无法进行正常的训练流程(train几个epoch,在validation上测一个epoch,最终选一个validation上的最好的结果,进行test)。后来我当时给官方提了一个issue,官方当时的回答是,这个bug目前无法解决,但是他们在即将到来的tf1.2版本中, 推出的新型数据处理API tf.contrib.data.dataset(tf1.3版本将其合并到了tf.data.dataset)可以完美解决这个bug,并且将于tf2.0摒弃tf.input_producer。然后tf1.2版本刚出来以后,我就立马升级并且开始tf.data.dataset踩坑,踩了大概2周多的坑,(这个新版的API其实功能并不是非常强大,有不少局限性,在此就不展开)。

——————————————————————————

好像扯远了,回归pytorch,首先让我比较尴尬的是pytorch并没有一套属于自己的数据结构以及数据读取算法,dataloader个人感觉其实就是类似于tf中的feed,并没有任何速度以及性能上的提升。

先总结一下遇到的坑:

1. 没有比较高效的数据存储,tensorflow有tfrecord, caffe有lmdb,cv.imread在网络训练过程中实属浪费时间。这里感谢一下小智大神@智天成 。

解决方案:

当时看到了一个还不错的github链接,

Lyken17/Efficient-PyTorch​github.com

pytorch dataloader_pytorch常见的坑汇总_第1张图片

主要是讲如何使用lmdb,h5py,pth,lmdb,n5等数据存储方式皆可以。

个人的感受是,h5在数据调用上比较快,但是如果要使用多线程读写,就尽量不要使用h5,因为h5的多线程读写好像比较麻烦。

Parallel HDF5 - h5py 2.9.0 documentation​docs.h5py.org

这里贴一下h5数据的读写代码(主要需要注意的是字符串的读写需要encode,decode,最好用create_dataset,直接写的话读的时候会报错):

2. gpu imbalance,这里感谢一下张航学长 @张航

老生常谈的问题,第一个GPU显存占用多一点。

张航学长Hang Zhang (张航)提了一个开源的gpu balance的工具--PyTorch-Encoding。

使用方法还是比较便捷的,如下所示:

 
  1. from balanced_parallel import DataParallelModel, DataParallelCriterion

  2. model = DataParallelModel(model, device_ids=gpus).cuda()

  3. criterion = loss_fn().cuda()

这里其实有2个注意点,第一,测试的时候需要手动将gpu合并,代码如下:

 
  1. from torch.nn.parallel.scatter_gather import gather

  2. preds = gather(preds, 0)

第二,当loss函数有多个组成的时候,比如 loss = loss1 + loss2 + loss3

那么需要把这三个loss写到一个class中,然后再forward里面将其加起来。

其次,我们还可以用另外一个函数distributedDataParallel来解决gpu imbalance的问题.

使用方法如下:(注:此方法好像无法和h5数据同时使用)

 
  1. from torch.utils.data.distributed import DistributedSampler

  2. from torch.nn.parallel import DistributedDataParallel

  3.  
  4. torch.distributed.init_process_group(backend="nccl")

  5. # 配置每个进程的gpu

  6. local_rank = torch.distributed.get_rank()

  7. torch.cuda.set_device(local_rank)

  8. device = torch.device("cuda", local_rank)

  9.  
  10. #封装之前要把模型移到对应的gpu

  11. model.to(device)

  12. model = torch.nn.parallel.DistributedDataParallel(model,device_ids=[local_rank],

  13. output_device=local_rank)

  14.  
  15. #原有的dataloader上面加一个数据sample

  16. train_loader = torch.utils.data.DataLoader(

  17. train_dataset,

  18. sampler=DistributedSampler(train_dataset)

  19. )

3.gpu利用率不高+gpu现存占用浪费

常用配置:

1主函数前面加:(这个会牺牲一点点现存提高模型精度)

 
  1. cudnn.benchmark = True

  2. torch.backends.cudnn.deterministic = False

  3. torch.backends.cudnn.enabled = True

2训练时,epoch前面加:(定期清空模型,效果感觉不明显)

torch.cuda.empty_cache()

3无用变量前面加:(同上,效果某些操作上还挺明显的)

del xxx(变量名)

4dataloader的长度_len_设置:(dataloader会间歇式出现卡顿,设置成这样会避免不少)

 
  1. def __len__(self):

  2. return self.images.shape[0]

5dataloader的预加载设置:(会在模型训练的时候加载数据,提高一点点gpu利用率)

 
  1. train_loader = torch.utils.data.DataLoader(

  2. train_dataset,

  3. pin_memory=True,

  4. )

6网络设计很重要,外加不要初始化任何用不到的变量,因为pyroch的初始化和forward是分开的,他不会因为你不去使用,而不去初始化。

7最后放一张目前依旧困扰我的图片:

 

pytorch dataloader_pytorch常见的坑汇总_第2张图片

可以看到,每个epoch刚开始训练数据的时候,第一个iteration时间会占用的非常多,pytorch这里就做的很糟糕,并不是一个动态分配的过程,我也看到了一个看上去比较靠谱的解决方案,解决方案如下 @风车车:

风车车:在深度学习中喂饱gpu​zhuanlan.zhihu.com

pytorch dataloader_pytorch常见的坑汇总_第3张图片

但是我看了下代码,可能需要重构dataloader,看了评论好像还有问题,有点懒,目前还没有踩坑,准备后面有时间踩一下。

暂且更新到这里,后续遇到什么坑陆续补充,也欢迎大家给我补充,pytorch初学者小白一枚。


更个新;顺便吐槽一下上面的dali,局限性很大,比较trick的数据预处理很难搞定。

8 apex混合单精度模型

事实证明,apex并没有官网说的那么玄乎,只能减低显存,并不能提速(12G显存大概可以降低到8G左右,效果还挺明显的,但是,速度降低了大概1/3,好像有点得不偿失)。

编译之后提速也很有限,再此留个坑,有小伙伴能解决的可以私信我哈,如果可以解决我会仔细罗列一遍。

更新一下!!!!最新的pytorch1.6自动写好了apex,非常好用,性能和速度不会掉(普通的titan RTX2080Ti 1080Ti 等系列的显卡均支持,只是不能提速)。教程如下

PyTorch​pytorch.org

pytorch dataloader_pytorch常见的坑汇总_第4张图片

最近分享了一些奇技淫巧的深度环境工具:

郁振波:打造舒适的深度学习环境(工具篇)​zhuanlan.zhihu.com

你可能感兴趣的:(深度学习)