dataloader一次性创建num_worker个worker，（也可以说dataloader一次性创建num_worker个工作进程，worker也是普通的工作进程），

并用batch_sampler将指定batch分配给指定worker，worker将它负责的batch加载进RAM。

然后，dataloader从RAM中找本轮迭代要用的batch，如果找到了，就使用。如果没找到，就要num_worker个worker继续加载batch到内存，直到dataloader在RAM中找到目标batch。一般情况下都是能找到的，因为batch_sampler指定batch时当然优先指定本轮要用的batch。

num_worker设置得大，好处是寻batch速度快，因为下一轮迭代的batch很可能在上一轮/上上一轮…迭代时已经加载好了。坏处是内存开销大，也加重了CPU负担（worker加载数据到RAM的进程是CPU复制的嘛）。num_workers的经验设置值是自己电脑/服务器的CPU核心数，如果CPU很强、RAM也很充足，就可以设置得更大些。

如果num_worker设为0，意味着每一轮迭代时，dataloader不再有自主加载数据到RAM这一步骤（因为没有worker了），而是在RAM中找batch，找不到时再加载相应的batch。缺点当然是速度更慢。

1、显卡是两张3090，24*2的显存，我之前内存大小为16G，加到32G，能调大batch了，而且内存占用也吃不满30%左右，但是显存还是跑不满，所以继续加内存到64G，现在显存能够几乎吃满。但是内存占用只有18%了。我就不是很清楚明明是内存的问题，而且内存有空间的，就是报显存分配不足的错误，无法理解。 2、num——worker也需要调整，加到64G内存之后num_worker调整为4，显存占用上去了,CPU占用下去了，之前CPU占用和心电图一样，现在稳定在28%左右。 3、evaluate（）步骤中，使用torch.no_grad()，可以降低eval过程中对val数据集对模型的占用，避免爆显存。