强化学习技巧四：模型训练速度过慢、GPU利用率较低，CPU利用率很低问题总结与分析。 |
您所在的位置：网站首页 › pytorch 显卡占用率低 › 强化学习技巧四：模型训练速度过慢、GPU利用率较低，CPU利用率很低问题总结与分析。 |
强化学习技巧四：模型训练速度过慢、GPU利用率较低，CPU利用率很低问题总结与分析。
|
1.PyTorchGPU利用率较低问题原因：
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） 这是由于模型的大小以及batch size的大小，来影响这个指标。 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%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。 1.2 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，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。 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，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。 2. 本人遇到问题原因分析：因为训练的主要时间都花在了写日志上，文件IO耗时特别多，尤其是我设置的写入间隔还很小，所以GPU计算一瞬间，然后写很久的记录，计算一瞬间，再写很久的记录，最终导致速度特别慢。 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。 3. 总结记录最后总结一下，有的时候模型训练慢并不是因为显卡不行或者模型太大，而是在跑模型过程中有一些其他的操作导致速度很慢，尤其是文件的IO操作，这会导致GPU得不到连续性使用，整体速度特别慢。 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。 3.1 模型提速技巧 减少日志IO操作频率 使用pin_memory和num_workers 使用半精度训练 更好的显卡，更轻的模型另外也可以通过增大batch size提高epoch速度，但是收敛速度也会变慢，需要再适当升高学习率 |
【本文地址】
今日新闻 |
推荐新闻 |