【PyTorch】优化分析

1. 模型训练过程划分

• 主过程在__main__下。

if __name__ == '__main__':
	...

• 主过程分为定义过程、数据集加载过程和训练循环。

1.1. 定义过程

1.1.1. 全局参数设置

参数名	作用
learning_rate	控制模型参数的更新步长
device	指定模型训练使用的设备（CPU或GPU）
num_epochs	指定在训练集上训练的轮数
batch_size	指定每批数据的样本数
num_workers	指定加载数据集的进程数
prefetch_factor	指定每个进程预加载的批数

1.1.2. 模型定义

组件	作用
writer	定义tensorboard的事件记录器
net	定义神经网络结构
net.apply(init_weights)	模型参数初始化
criterion	定义损失函数
optimizer	定义优化器

1.2. 数据集加载过程

1.2.1. Dataset类：创建数据集

• 作用：定义数据集的结构和访问数据集中样本的方式。定义过程中通常需要读取数据文件，但这并不意味着将整个数据集加载到内存中。
• 如何创建数据集
  • 继承Dataset抽象类自定义数据集
  • TensorDataset类：通过包装张量创建数据集

1.2.2. Dataloader类：加载数据集

• 作用
  • 数据批量加载：将数据集分成多个批次（batches），并逐批次地加载数据。
  • 数据打乱（可选）：在每个训练周期（epoch）开始时，DataLoader会对数据集进行随机打乱，以确保在训练过程中每个样本被均匀地使用。
• 主要参数

  参数	作用
  dataset	指定数据集
  batch_size	指定每批数据的样本数
  shuffle=False	指定是否在每个训练周期（epoch）开始时进行数据打乱
  sampler=None	指定如何从数据集中选择样本，如果指定这个参数，那么shuffle必须设置为False
  batch_sampler=None	指定生成每个批次中应包含的样本数据的索引。与batch_size、shuffle 、sampler and drop_last参数不兼容
  num_workers=0	指定进行数据加载的进程数
  collate_fn=None	指定将一列表的样本合成mini-batch的方法，用于映射型数据集
  pin_memory=False	是否将数据缓存在物理RAM中以提高GPU传输效率
  drop_last=False	是否在批次结束时丢弃剩余的样本（当样本数量不是批次大小的整数倍时）
  timeout=0	定义在每个批次上等待可用数据的最大秒数。如果超过这个时间还没有数据可用，则抛出一个异常。默认值为0，表示永不超时。
  worker_init_fn=None	指定在每个工作进程启动时进行的初始化操作。可以用于设置共享的随机种子或其他全局状态。
  multiprocessing_context=None	指定多进程数据加载的上下文环境，即多进程库
  generator=None	指定一个生成器对象来生成数据批次
  prefetch_factor=2	控制数据加载器预取数据的数量，默认预取比实际所需的批次数量多2倍的数据
  persistent_workers=False	控制数据加载器的工作进程是否在数据加载完成后继续存在

1.3. 训练循环

• 外层循环控制在训练集上训练的轮数

for epoch in trange(num_epochs):
	...

• 循环内部主要有以下模块：
  • 训练模型

  for X, y in dataloader_train:
      X, y = X.to(device), y.to(device)
      loss = criterion(net(X), y)
      optimizer.zero_grad()
      loss.mean().backward()
      optimizer.step()
  

  • 评估模型
    • 每轮训练后在数据集上损失
      • 每轮训练损失
      • 每轮测试损失

  def evaluate_loss(dataloader):
  	"""评估给定数据集上模型的损失"""
  	metric = d2l.Accumulator(2)  # 损失的总和, 样本数量
      with torch.no_grad():
          for X, y in dataloader:
              X, y = X.to(device), y.to(device)
              loss = criterion(net(X), y)
              metric.add(loss.sum(), loss.numel())
          return metric[0] / metric[1]
  

2. 优化分析

2.1. 定义过程

• 特点：每次程序运行只需要进行一次。
• 优化思路：将模型转移到GPU，同时non_blocking=True。

2.2. 数据集加载过程

• 特点：只是定义数据加载的方式，并没有加载数据。
• 优化思路：合理设置数据加载参数，如
  • batch_size：一般取能被训练集大小整除的值。过小，则每次参数更新时所用的样本数较少，模型无法充分地学习数据的特征和分布，同时参数更新频繁，模型收敛速度提高，CPU到GPU的数据传输次数增加，CPU和内存的消耗总量增加；过大，则每次参数更新时所用的样本数较多，模型性能更稳定，对GPU、CPU和内存的单次消耗增加，对硬件配置要求更高，同时参数更新缓慢，模型收敛速度下降。
  • num_workers：一般取CPU内核数。过小，则数据加载进程少，数据加载缓慢；过大，则数据加载进程多，对CPU要求高。
  • pin_memory：当设置为True时，它告诉DataLoader将加载的数据张量固定在CPU内存中，使数据传输到GPU的过程更快。
  • prefetch_factor：决定每次从磁盘加载多少个batch的数据到内存中，预先加载batch越多，在处理数据时，不会因为数据加载的延迟而影响整体的训练速度，同时可以让GPU在处理数据时保持忙碌，从而提高GPU利用率；过大，则会导致CPU和内存消耗增加。

2.3. 训练循环

• 优化思路：
  • 训练和评估过程分离或者减少评估的次数：模型从训练到评估需要进行状态切换，模型评估过程开销很大。
  • 尽量使用非局部变量：减少变量、对象的创建和销毁过程

2.3.1. 训练模型

• 特点：训练结构固定
• 优化思路：
  • 将数据转移到GPU，同时non_blocking=True。
  • 优化训练结构：比如使用自动混合精度（AMP，要求pytorch>=1.6.0），通过将模型和数据转换为低精度的形式（如FP16），可以显著减少内存使用，即

  from torch.cuda.amp import autocast, GradScaler
  
  grad_scaler = GradScaler()
  for epoch in range(num_epochs):
      start_time = time.perf_counter()
      for X, y in dataloader_train:
          X, y = X.to(device, non_blocking=True), y.to(device, non_blocking=True)
          with autocast():
              loss = criterion(net(X), y)
              optimizer.zero_grad()
              grad_scaler.scale(loss.mean()).backward()
              grad_scaler.step(optimizer)
              grad_scaler.update()
  

2.3.2. 评估模型

• 特点：评估结构固定
• 优化思路：
  • 将数据转移到GPU，同时non_blocking=True。
  • 减少不必要的运算：比如梯度计算，即：

  with torch.no_grad():
  	...