笔记本深度学习训练散热实用指南
笔记本的散热能力远不如台式机，跑深度学习训练的时候如果不注意散热有可能会导致温度过高，可能会烧显卡烧主版等等，本文就讨论一下如何用一种简单的办法提升笔记本的散热能力。
注意，事先声明：
（1）本贴仅供参考，具体情况具体分析，如果参考本帖后导致笔记本出现什么意外，概不负责！
（2）本贴适合的情况是：笔记本的进风口在底部，否则可以忽略本贴
实验笔记本：雷神zero，显卡3080
室温：17.6度
1.准备训练数据
就拿yolov5跑coco数据集为例。(我拿的版本是yolov5-6.2，版本不是重点，本文的重点是散热~~）
先简单说一下数据准备:
(1)下载coco数据集的图片就行了，下面这3个就是图片压缩包地址:
http://images.cocodataset.org/zips/train2017.zip
http://images.cocodataset.org/zips/val2017.zip
http://images.cocodataset.org/zips/test2017.zip ---test其实在训练的时候用不到，也可以不下
(2)并不需要下载coco数据集的标签，因为有现成的已经转成yolo格式的标签
https://github.com/ultralytics/yolov5/releases/download/v1.0/coco2017labels.zip
(3)解压coco2017labels.zip至任意目录，比如我解压到D:\dataset\COCO2017里面，coco是压缩包里的根目录，解压完了就有了如下的东西，红框里的就是训练真正要用的东西
(4)接下来把步骤(1)中下载的coco图片压缩包解压到coco\images中，解压完了如下，红框是必须的
(5)yolov5里面的data/coco.yaml要修改一下，因为我的coco目录不一样，把path改为我实际的目录就行了
接下来就可以打开命令行，cd到yolov5的目录里，然后执行如下命令就可以开始训练了，我这就用yolov5s的模型规模来训练
python train.py --data data/coco.yaml --cfg models/yolov5s.yaml --weights '' --batch-size 32 --epochs 300 --name coco
注:batch-size视显存大小而定，我用32的话，显存大概占了9G左右。
另外，在windows上训练的时候，如果batch-size设的比较大，得把虚拟内存也调大，因为默认会用多进程加载数据，每个进程在加载pytorch的dll的时候都会占比较大的内存，所以会报一个分页错误啥的，我这虚拟内存设的就是100GB
接下来分几种情况来看散热效果（其实前面说了一堆跟散热没关系的东西，只是为了防止审核不通过，硬加点训练的说明进来~~），接下来进入正题。。。
2.实用方法
先看一下我的笔记本的底部情况，底下是进风口，出风口在笔记本的后面，底部前后两边有两条黑色的很浅的垫条。所以如果直接把它放在桌上，它底部的进风空间其实是很小的。
如果是放在一个软垫上，可能导致底部的空间更小。那么主要问题就是：没有空间进风。
解决办法很简单，把笔记本垫高一点，让它的底部空间变大不就行了麻，找两个垫条，放在笔记本的垫条的位置，注意不要挡住进风口，这样就增大了底部的进风空间。
如下图，我直接搞了两条泡沫条。按如上的方法把笔记本放上去。
接下来开始训练，我笔记本上有个强风按钮，为了减小干扰方便对比，直接就开强风模式了，跑了5分多钟，温度差不多就在65度徘徊（也有可能后面还会涨，不过主要是为了对比其它情况）
显卡温度可以直接在任务管理器里面看，也可以用nvidia-smi来看，如下图，温度65度，显卡利用率84%（任务管理器里面那个不知道为啥是0~~）
3.撤掉泡沫条
现在对比一下，不用泡沫条垫高，同样是开强风，5分多钟温度已经上70度了，后面可能还会更高，差距还是很明显的。
4.试一下散热底座
某品牌的散热底座（花了我100块。。。），下面有6个风扇，风力一般般，把笔记本放上去用它试一下，笔记本继续开强风
5分多钟后温度已经在66-67徘徊，跟我的泡沫条效果差不多，时间长的话可能还略逊一筹。这个散热底座其实并不是很适合我的笔记本，因为
(1)主要矛盾是底部进风空间不够，而不是风力不够，而且这散热底座的风力没多大。
(2)这底座本身很高，放在上面使用很不方便。
(3)如果我搞两个更高的垫条，效果可能会更好。其实我直接用手试过，用手把笔记本抬高，温度直接能掉到63度以下。
5.终极形态
开个玩笑~~，不过真的很有效哦，滑倒了概不负责！
