Pytorch使用DataLoader, num_workers!=0时的内存泄露
-
描述一下背景，和遇到的问题：
我在做一个超大数据集的多分类，设备Ubuntu 22.04+i9 13900K+Nvidia 4090+64GB RAM，第一次的训练的训练集有700万张，训练成功。后面收集到更多数据集，数据增强后达到了1000万张。但第二次训练4个小时后，就被系统杀掉进程了，原因是Out of Memory。找了很久的原因，发现内存随着训练step的增加而线性增加，猜测是内存泄露，最后定位到了DataLoader的num_workers参数（只要num_workers=0就没有问题）。
-
真正原因：
Python（Pytorch）中的list转换成tensor时，会发生内存泄漏，要避免list的使用，可以通过使用np.array来代替list。
-
解决办法：
自定义DataLoader中的Dataset类，然后Dataset类中的list全部用np.array来代替。这样的话，DataLoader将np.array转换成Tensor的过程就不会发生内存泄露。
-
下面给两个错误的示例代码和一个正确的代码：（都是我自己犯过的错误）
1.错误的DataLoader加载数据集方法1
# 加载数据
train_data = datasets.ImageFolder(root=TRAIN_DIR_ARG, transform=transform)
valid_data = datasets.ImageFolder(root=VALIDATION_DIR, transform=transform)
test_data = datasets.ImageFolder(root=TEST_DIR, transform=transform)
train_loader = DataLoader(train_data, batch_size=BATCH_SIZE, shuffle=True, num_workers=8)
valid_loader = DataLoader(valid_data, batch_size=BATCH_SIZE, shuffle=False, num_workers=8)
test_loader = DataLoader(test_data, batch_size=BATCH_SIZE, shuffle=False, num_workers=8)2.错误的DataLoader加载数据集方法2（重写了Dataset方法）
class CustomDataset(Dataset):
def __init__(self, data_dir, transform=None):
self.data_dir = data_dir
self.transform = transform
self.image_paths = []
self.labels = []
# 遍历数据目录并收集图像文件路径和对应的标签
classes = os.listdir(data_dir)
for i, class_name in enumerate(classes):
class_dir = os.path.join(data_dir, class_name)
if os.path.isdir(class_dir):
for image_name in os.listdir(class_dir):
image_path = os.path.join(class_dir, image_name)
self.image_paths.append(image_path)
self.labels.append(i)
def __len__(self):
return len(self.image_paths)
def __getitem__(self, idx):
image_path = self.image_paths[idx]
label = self.labels[idx]
# # 在需要时加载图像
image = Image.open(image_path)
if self.transform:
image = self.transform(image)
return image, label
train_data = CustomDataset(data_dir=TRAIN_DIR_ARG, transform=transform)
valid_data = CustomDataset(data_dir=VALIDATION_DIR, transform=transform)
test_data = CustomDataset(data_dir=TEST_DIR, transform=transform)
train_loader = DataLoader(train_data, batch_size=BATCH_SIZE, shuffle=True, num_workers=18)
valid_loader = DataLoader(valid_data, batch_size=BATCH_SIZE, shuffle=False, num_workers=8)
test_loader = DataLoader(test_data, batch_size=BATCH_SIZE, shuffle=False, num_workers=8, pin_memory=False)3.重写Dataset的正确方法（重写了Dataset方法，list全部转成np.array）
class CustomDataset(Dataset):
def __init__(self, data_dir, transform=None):
self.data_dir = data_dir
self.transform = transform
self.image_paths = [] # 使用Python列表
self.labels = [] # 使用Python列表
# 遍历数据目录并收集图像文件路径和对应的标签
classes = os.listdir(data_dir)
for i, class_name in enumerate(classes):
class_dir = os.path.join(data_dir, class_name)
if os.path.isdir(class_dir):
for image_name in os.listdir(class_dir):
image_path = os.path.join(class_dir, image_name)
self.image_paths.append(image_path) # 添加到Python列表
self.labels.append(i) # 添加到Python列表
# 转换为NumPy数组，这里就是解决内存泄露的关键代码
self.image_paths = np.array(self.image_paths)
self.labels = np.array(self.labels)
def __len__(self):
return len(self.image_paths)
def __getitem__(self, idx):
image_path = self.image_paths[idx]
label = self.labels[idx]
# 在需要时加载图像
image = Image.open(image_path)
if self.transform:
image = self.transform(image)
# 将图像数据转换为NumPy数组
image = np.array(image)
return image, label
train_data = CustomDataset(data_dir=TRAIN_DIR_ARG, transform=transform)
valid_data = CustomDataset(data_dir=VALIDATION_DIR, transform=transform)
test_data = CustomDataset(data_dir=TEST_DIR, transform=transform)
train_loader = DataLoader(train_data, batch_size=BATCH_SIZE, shuffle=True, num_workers=18)
valid_loader = DataLoader(valid_data, batch_size=BATCH_SIZE, shuffle=False, num_workers=8)
test_loader = DataLoader(test_data, batch_size=BATCH_SIZE, shuffle=False, num_workers=8, pin_memory=False)