深度学习PyTorch，TensorFlow中GPU利用率较低，CPU利用率很低，且模型训练速度很慢的问题总结与分析
在深度学习模型训练过程中，在服务器端或者本地pc端，输入nvidia-smi来观察显卡的GPU内存占用率（Memory-Usage），显卡的GPU利用率（GPU-util），然后采用top来查看CPU的线程数（PID数）和利用率（%CPU）。往往会发现很多问题，比如，GPU内存占用率低，显卡利用率低，CPU百分比低等等。接下来仔细分析这些问题和处理办法。
（ps：对于如何在Intel CPU，ARM架构CPU，以及Jetson TensorRT上部署深度学习模型，以及部署遇到的速度问题，该如何解决。请查看我的另外一篇文章。如何定制化编译Pytorch，TensorFlow，使得CNN模型在CPU，GPU，ARM架构和X86架构，都能快速运行，需要对每一个平台，有针对性的调整。如何做到最大化加速深度学习在不同平台部署性能。请看我的这篇文章。）
深度学习模型Intel与ARM部署性能分析，Intel和ARM CPU上CNN计算速度差距分析。_arm x86 深度学习_是否龙磊磊真的一无所有的博客-CSDN博客
1. GPU内存占用率问题
这往往是由于模型的大小以及batch size的大小，来影响这个指标。当你发下你的GPU占用率很小的时候，比如40%，70%，等等。此时，如果你的网络结构已经固定，此时只需要改变batch size的大小，就可以尽量利用完整个GPU的内存。GPU的内存占用率主要是模型的大小，包括网络的宽度，深度，参数量，中间每一层的缓存，都会在内存中开辟空间来进行保存，所以模型本身会占用很大一部分内存。其次是batch size的大小，也会占用影响内存占用率。batch size设置为128，与设置为256相比，内存占用率是接近于2倍关系。当你batch size设置为128，占用率为40%的话，设置为256时，此时模型的占用率约等于80%，偏差不大。所以在模型结构固定的情况下，尽量将batch size设置大，充分利用GPU的内存。（GPU会很快的算完你给进去的数据，主要瓶颈在CPU的数据吞吐量上面。）
2. GPU利用率问题
这个是Volatile GPU-Util表示，当没有设置好CPU的线程数时，这个参数是在反复的跳动的，0%，20%，70%，95%，0%。这样停息1-2 秒然后又重复起来。其实是GPU在等待数据从CPU传输过来，当从总线传输到GPU之后，GPU逐渐起计算来，利用率会突然升高，但是GPU的算力很强大，0.5秒就基本能处理完数据，所以利用率接下来又会降下去，等待下一个batch的传入。因此，这个GPU利用率瓶颈在内存带宽和内存介质上以及CPU的性能上面。最好当然就是换更好的四代或者更强大的内存条，配合更好的CPU。
另外的一个方法是，在PyTorch这个框架里面，数据加载Dataloader上做更改和优化，包括num_workers（线程数），pin_memory，会提升速度。解决好数据传输的带宽瓶颈和GPU的运算效率低的问题。在TensorFlow下面，也有这个加载数据的设置。
torch.utils.data.DataLoader(image_datasets[x],
batch_size=batch_size,
shuffle=True,
num_workers=8,
pin_memory=True)为了提高利用率，首先要将num_workers（线程数）设置得体，4,8,16是几个常选的几个参数。本人测试过，将num_workers设置的非常大，例如，24，32,等，其效率反而降低，因为模型需要将数据平均分配到几个子线程去进行预处理，分发等数据操作，设高了反而影响效率。当然，线程数设置为1，是单个CPU来进行数据的预处理和传输给GPU，效率也会低。其次，当你的服务器或者电脑的内存较大，性能较好的时候，建议打开pin_memory打开，就省掉了将数据从CPU传入到缓存RAM里面，再给传输到GPU上；为True时是直接映射到GPU的相关内存块上，省掉了一点数据传输时间。
3. CPU的利用率问题
很多人在模型训练过程中，不只是关注GPU的各种性能参数，往往还需要查看CPU处理的怎么样，利用的好不好。这一点至关重要。但是对于CPU，不能一味追求超高的占用率。如图所示，对于14339这个程序来说，其CPU占用率为2349%（我的服务器是32核的，所以最高为3200%）。这表明用了24核CPU来加载数据和做预处理和后处理等。其实主要的CPU花在加载传输数据上。此时，来测量数据加载的时间发现，即使CPU利用率如此之高，其实际数据加载时间是设置恰当的DataLoader的20倍以上，也就是说这种方法来加载数据慢20倍。当DataLoader的num_workers=0时，或者不设置这个参数，会出现这个情况。
下图中可以看出，加载数据的实际是12.8s，模型GPU运算时间是0.16s，loss反传和更新时间是0.48s。此时，即使CPU为2349%，但模型的训练速度还是非常慢，而且，GPU大部分是时间是空闲等待状态。
num_workers=0，模型每个阶段运行时间统计
当我将num_workers=1时，出现的时间统计如下，load data time为6.3，数据加载效率提升1倍。且此时的CPU利用率为170%，用的CPU并不多，性能提升1倍。
num_workers=1时，模型每个阶段运行时间统计
此时，查看GPU的性能状态（我的模型是放在1,2,3号卡上训练），发现，虽然GPU(1,2,3)的内存利用率很高，基本上为98%，但是利用率为0%左右。表面此时网络在等待从CPU传输数据到GPU，此时CPU疯狂加载数据，而GPU处于空闲状态。
由此可见，CPU的利用率不一定最大才最好。
对于这个问题，解决办法是，增加DataLoader这个num_wokers的个数，主要是增加子线程的个数，来分担主线程的数据处理压力，多线程协同处理数据和传输数据，不用放在一个线程里负责所有的预处理和传输任务。
我将num_workers=8,16都能取得不错的效果。此时用top查看CPU和线程数，如果我设置为num_workers=8，线程数有了8个连续开辟的线程PID，且大家的占用率都在100%左右，这表明模型的CPU端，是较好的分配了任务，提升数据吞吐效率。效果如下图所示，CPU利用率很平均和高效，每个线程是发挥了最大的性能。
num_workers=8时，CPU利用率和8个连续PID任务
此时，在用nvidia-smi查看GPU的利用率，几块GPU都在满负荷，满GPU内存，满GPU利用率的处理模型，速度得到巨大提升。
上图中可以看见，GPU的内存利用率最大化，此时是将batch size设置的较大，占满了GPU的内存，然后将num_workers=8，分配多个子线程，且设置pin_memory=True，直接映射数据到GPU的专用内存，减少数据传输时间。GPU和CPU的数据瓶颈得到解决。整体性能得到权衡。
此时的运行时间在表中做了统计：
| 处理阶段 | 时间 |
| 数据加载 | 0.25s |
| 模型在GPU计算 | 0.21s |
| loss反传，参数更新 | 0.43s |
4. 总结
对上面的分析总结一下，第一是增加batch size，增加GPU的内存占用率，尽量用完内存，而不要剩一半，空的内存给另外的程序用，两个任务的效率都会非常低。第二，在数据加载时候，将num_workers线程数设置稍微大一点，推荐是8,16等，且开启pin_memory=True。不要将整个任务放在主进程里面做，这样消耗CPU，且速度和性能极为低下。
Supplementary：看到大家在评论回复的问题比较多，所以再加一些叙述！
开这么多线程。第一个，查看你的数据的batch_size，batchsize小了，主CPU直接就加载，处理，而且没有分配到多GPU里面（如果你使用的是多GPU）；如果是单GPU，那么就是CPU使劲读数据，加载数据，然后GPU一下就处理完了，你的模型应该是很小，或者模型的FLOPs很小。检查一下模型问题。还有就是，现在这个情况下，开8个线程和1个线程，没什么影响，你开一个num_workers都一样的。如果速度快，没必要分配到多个num_workers去。当数据量大的时候，num_workers设置大，会非常降低数据加载阶段的耗时。这个主要还是应该配合过程。
在调试过程，命令：top 实时查看你的CPU的进程利用率，这个参数对应你的num_workers的设置；
命令： watch -n 0.5 nvidia-smi 每0.5秒刷新并显示显卡设置。
实时查看你的GPU的使用情况，这是GPU的设置相关。这两个配合好。包括batch_size的设置。
5. 再次补充内容
有很多网友都在讨论一些问题，有时候，我们除了排查代码，每个模块的处理信息之外，其实还可以查一下，你的内存卡，是插到哪一块插槽的。这个插槽的位置，也非常影响代码在GPU上运行的效率。
大家除了看我上面的一些小的建议之外，评论里面也有很多有用的信息。遇到各自问题的网友们，把他们的不同情况，都描述和讨论了一下，经过交流，大家给出了各自在训练中，CPU，GPU效率问题的一些新的发现和解决问题的方法。
针对下面的问题，给出一点补充说明：
问题1： CPU忙碌，GPU清闲。
数据的预处理，和加载到GPU的内存里面，花费时间。平衡一下batch size, num_workers。问题2：CPU利用率低，GPU跑起来，利用率浮动，先增加，然后降低，然后等待，CPU也是浮动。
2.1 下面是具体的步骤和对策：
在pytorch训练模型时出现以下情况， 情况描述： 首先环境：2080Ti + I7-10700K， torch1.6, cuda10.2, 驱动440 参数设置：shuffle=True, num_workers=8, pin_memory=True; 现象1：该代码在另外一台电脑上，可以将GPU利用率稳定在96%左右 现象2：在个人电脑上，CPU利用率比较低，导致数据加载慢，GPU利用率浮动，训练慢约4倍；有意思的是，偶然开始训练时，CPU利用率高，可以让GPU跑起来，但仅仅几分钟，CPU利用率降下来就上不去了，又回到蜗牛速度。
可以采用的方法：
两边的配置都一样吗。另一台电脑和你的电脑。你看整体，好像设置配置有点不同。包括硬件，CPU的核，内存大小。你对比一下两台设备。这是第一个。第二个，还是代码里面的配置，代码的高效性。你一来，CPU利用率低，你看一下每一步，卡到哪里，哪里是瓶颈，什么步骤最耗时。都记录一下每一个大的步骤的耗时，然后在分析。测试了每一个大的过程的时间，可以看见，耗时在哪里。主要包括，加载数据，前向传播，反向更新，然后下一步。
2.2 经过测试之后，第二次问题分析：
经过测试，发现本机卡的地方在加载图像的地方，有时加载10kb左右的图像需要1s以上，导致整个batch数据加载慢！代码应该没有问题，因为在其他电脑能全速跑起来；硬件上，本机的GPU，CPU都强悍，环境上也看不出差距，唯一差在内存16G，其他测试电脑为32G，请问这种现象和内存直接关系大吗？
情况分析
最多可能就在这边。你可以直接测试batch size为1情况下的整个计算。或者将batch size 开到不同的设置下。看加载数据，计算之间的差值。最有可能就是在这个load data，读取数据这块。 电脑的运行内存16g 32g。其实都已经够了，然后加载到GPU上，GPU内存能放下，影响不大。所以估计是你的内存相对小了，导致的问题。试一下。
2.3 问题定位，解决方法：
这台电脑的内存条插的位置不对，4个插槽的主板，1根内存的时候应该插在第2个插槽（以cpu端参考起），而组装电脑的商家不专业，放在了第4个插槽上，影响性能，更换位置后，速度飞起来了！关于插槽详情，有遇到的朋友去网上收，一大堆！
在自己电脑，或者自己配的主机上，跑GPU的时候，记得注意查看你自己的内存卡是插到哪一个槽上的。5.1 再次新补充一些内容
有网友补充了一些在执行上面的问题中遇到的实际问题，附上他的解决方法。
使用win 10修改num_workers后可能会报错Broken pipe。
解决方法：1. 把代码放到if __name__ == "__main__":下运行；或者2.num_workers默认为0即可；或者3. 在Linux进行代码运行有一些内容需要说明：在Windows下面，设置num_threads，除了在做数据加载的时候，设置num_workers，还可以用torch.set_num_threads(4)多线程，单线程，都会用多个CPU核，跑多个CPU core的的。只是CPU利用率不高。你设置8线程，12线程，CPU会在每个核上，都进行分配，只是单核的占用率，不一样。即使设置2线程，在6核12线程的CPU，也会在每个核心上，分配计算资源的。只是单核分配的很少。
5.2 关于加速CPU端训练的方法（无GPU）
在单独的CPU上，做训练，或者做推理，intel CPU提供了OpenMP 和MKL-DNN的加速库。一般torch或者TensorFlow都做了这一块的优化。可以查看你的pytorch版本，是否支持。
print(torch.get_num_threads())
print(torch.__config__.parallel_info())
print(*torch.__config__.show().split("\n"), sep="\n")
os.environ["OMP_NUM_THREADS"]="8" #设置OpenMP计算库的线程数
os.environ["MKL_NUM_THREADS"]="8" # 设置MKL-DNN CPU加速库的线程数。
torch.set_num_threads(8)print(torch.get_num_threads())
print(torch.__config__.parallel_info())
print(*torch.__config__.show().split("\n"), sep="\n")
os.environ["OMP_NUM_THREADS"]="8" #设置OpenMP计算库的线程数
os.environ["MKL_NUM_THREADS"]="8" # 设置MKL-DNN CPU加速库的线程数。
torch.set_num_threads(8)分析：
上面这几个，都可以试一下。看你的pytorch版本，是否在编译之后，支持MKL-DNN加速。为了能控制你使用的线程数，set_num_threads(8) 这个线程数的多少，可以自己按照需求来设定。当你全力跑网络模型，当然设置大点。如果需要留一部分CPU性能来做其他的业务，4线程，6线程？都可以。自己试一试。配合着任务管理器或者htop top 在linux下实时查看CPU使用状态和设置多线程数量的关系。来定性的分配。
print(torch.__config__.parallel_info()) ， 这个函数，查看你的pytorch支持的intel加速库的信息。
print(*torch.__config__.show().split("\n"), sep="\n") ， 这个函数，查看你编译过程中的信息。
实测结果：
有没有OpenMP支持，速度影响不是太大。在1-2s内的影响。所采用的pytorch版本是否支持mkl-dnn不影响。在mac arm m1芯片下，开启mkl-dnn，速度比没有开启快4s。44s 与 48s的差别。我们的平台，都是支持mkl-dnn。没有mkl-dnn，速度比有mkl-dnn编译的模型，慢1.5倍左右。
结论：
mkl-dnn有无，对性能影响不是很大，1-2x的影响。如果你需要这点性能，那么就要重点检测，你的pytorch版本，是否在编译过程中，设置了use_mkl=on，use_mkldnn=on。大多数情况下，咱们安装的pytorch官方版本，都在build过程中，设置了开启mkl加速选项。这是intel Math Kernel Library for Deep Neural Networks (Intel® MKL-DNN) 专门针对intel CPU做的CPU端深度学习加速库。
arm平台下，有无OpenMP和mkl-dnn不确定，要查看这个pytorch是否对arm 这个架构有支持。nvidia的arm平台，jetson这一类的，nvidia自己做了重新编译的，都适配了arm的CPU。
再提醒一下：以上设置，如果不进行设计，默认为0，会按照最大的性能，来运行。
补充时间：2021年6月25日。
ps：有任何性能加速上遇到的问题，欢迎提出，我经常会查看大家的问题，能回答的都会回答。
对于如何在Intel CPU，ARM架构CPU，以及Jetson TensorRT上部署，以及部署遇到的速度问题，该如何解决。请查看我的另外一篇文章。
深度学习模型Intel与ARM部署性能分析，Intel和ARM CPU上CNN计算速度差距分析。_arm x86 深度学习_是否龙磊磊真的一无所有的博客-CSDN博客
内容再次补充：2021年11月21日。
针对网友的一些新的问题，我总结了一下，集中回答一下。
问题1：文中提到了对CPU加载数据时间、GPU模型运算时间，loss反传和更新时间进行计算，但如果我关心的只是模型跑一个epoch需要的时间，那是不是我都不需要进行前面这些时间的计算，只需要关注一个epoch所耗的时间，然后通过修改batch_size和num_workers来降低这个时间就可以了？是不是当我想比较不同模型或者数据集的表现时，才需要同时关注GPU模型运算时间、loss反传和更新时间？
回答1： 如果只关注跑一个epoch的时间，要看你是 training 还是evaluation的模式。如果你只关注前向推理，不在乎loss反传，梯度更新。那就只需要关注一个epoch的纯推理时间。如果是训练，epoch一般都是在训练的时候来用的，那么，单个epoch就需要考虑加载数据，模型运算，loss反传和更新了。 batch size和num workers就是来协调加载数据，模型推理数据的。（ImageNet 100多G，一次性加载不到GPU的内存上的，所以在单个epoch，有数据加载这个耗时的。只是在GPU训练推理的时候，也在从CPU端向GPU的内存通信。）所以基本上，你调整batch size 和num workers，也是在综合考虑这些因素的。比较不同模型、数据集的表现，一般只看Top1-Top5，推理速度，Parameters，Model Size，FLOPs等等（训练速度）这些。直接比较就行。不用具体到这些具体参数时间的。
问题2： 文中提到了平衡batch_size和num_workers，但我觉得把batch_size调到最大（把显存占满），然后只调整num_workers是不是更加简单高效？因为batch_size的大小本身就会影响我们模型的performance，或者达到相同performance需要的epoch，所以不知道博主说“平衡batch_size和num_workers”的时候是不是因为考虑到显存可能不够用。
回答2： batch_size调整到最大，然后在分配num_workers,这里面有些技巧的。他的关系不是：batchsize x num_workers = Total。不过可以试一试，你的这个想法。batch_size调整大，num_workers是影响速度的，不影响精度。你4 worker，8 workers， batch size固定了，最后都是在你batch size上 更新模型参数。 配合着来，CPU 和GPU的运行都要兼顾着。