pytorch踩坑

1. nn.Module.cuda() 和 Tensor.cuda() 的作用效果差异

无论是对于模型还是数据，cuda()函数都能实现从CPU到GPU的内存迁移，但是他们的作用效果有所不同。

对于nn.Module:

    model = model.cuda() 
    model.cuda() 

上面两句能够达到一样的效果，即对model自身进行的内存迁移。

对于Tensor:

和nn.Module不同，调用tensor.cuda()只是返回这个tensor对象在GPU内存上的拷贝，而不会对自身进行改变。因此必须对tensor进行重新赋值，即tensor=tensor.cuda().

例子:

model = create_a_model() 
tensor = torch.zeros([2,3,10,10]) 
model.cuda() 
tensor.cuda() 
model(tensor)    # 会报错 
tensor = tensor.cuda() 
model(tensor)    # 正常运行 

2. PyTorch 0.4 计算累积损失的不同

以广泛使用的模式total_loss += loss.data[0]为例。Python0.4.0之前，loss是一个封装了(1,)张量的Variable，但Python0.4.0的loss现在是一个零维的标量。对标量进行索引是没有意义的（似乎会报 invalid index to scalar variable 的错误）。使用loss.item()可以从标量中获取Python数字。所以改为：

total_loss += loss.item() 

如果在累加损失时未将其转换为Python数字，则可能出现程序内存使用量增加的情况。这是因为上面表达式的右侧原本是一个Python浮点数，而它现在是一个零维张量。因此，总损失累加了张量和它们的梯度历史，这可能会产生很大的autograd 图，耗费内存和计算资源。

 

4. torch.Tensor.detach()的使用

detach()的官方说明如下：

Returns a new Tensor, detached from the current graph. The result will never require gradient.

假设有模型A和模型B，我们需要将A的输出作为B的输入，但训练时我们只训练模型B. 那么可以这样做：

input_B = output_A.detach()

它可以使两个计算图的梯度传递断开，从而实现我们所需的功能。

5. ERROR: Unexpected bus error encountered in worker. This might be caused by insufficient shared memory (shm)

出现这个错误的情况是，在服务器上的docker中运行训练代码时，batch size设置得过大，shared memory不够（因为docker限制了shm）.解决方法是，将Dataloader的num_workers设置为0.

还可以建docker的时候加个参数 shmsize xxG 更改默认的shm内存，具体见另一解决这个问题的文章。

6. pytorch中loss函数的参数设置

以CrossEntropyLoss为例：

CrossEntropyLoss(self, weight=None, size_average=None, ignore_index=-100, reduce=None, reduction='elementwise_mean') 

• 若 reduce = False，那么 size_average 参数失效，直接返回向量形式的 loss，即batch中每个元素对应的loss.
• 若 reduce = True，那么 loss 返回的是标量：
  • 如果 size_average = True，返回 loss.mean().
  • 如果 size_average = False，返回 loss.sum().
• weight : 输入一个1D的权值向量，为各个类别的loss加权，如下公式所示：

• ignore_index : 选择要忽视的目标值，使其对输入梯度不作贡献。如果 size_average = True，那么只计算不被忽视的目标的loss的均值。
• reduction : 可选的参数有：‘none’ | ‘elementwise_mean’ | ‘sum’, 正如参数的字面意思，不解释。

7. 在做一些metric learning时候，可能提高模型准确率的技巧

warm up指的是先用较小的lr对网络进行一个预学习，然后增大lr到1e-3后再逐步rate decay减小学习速率，分类和度量问题用的多

来源于知乎大佬的评论区：

• 背景：BFE-net 做reid时候backbone选择resnet50，但是没有进行warm-up 后准确率没有达到预期，大佬们的对话和解决方法：

找到作者git commit的记录:

if ep < 50:
   lr = 1e-4*(ep//5+1)
 elif ep < 200:
   lr = 1e-3
 elif ep < 300:
    lr = 1e-4

结论：在2月份新加了2行代码,简单来说就是在前50个epoch 用较低的learning rate 去预热，后面慢慢恢复正常的lr

8. 使用nn.Dataparallel 数据不在同一个gpu 上

• 背景：pytorch 多GPU训练主要是采用数据并行方式：

model = nn.DataParallel(model) 

• 问题：但是一次同事训练基于光流检测的实验时发现 data not in same cuda,做代码review时候，打印每个节点tensor，cuda里的数据竟然没有分布在同一个gpu上
• 解决：最终解决方案是在数据，吐出后统一进行执行.cuda()将数据归入到同一个cuda流中解决了该问题。

9.pytorch model load可能会踩到的坑：

如果使用了nn.Dataparallel 进行多卡训练在读入模型时候要注意加.module， 代码如下:

def get_model(self):
  if self.nGPU == 1:         
      return self.model     
  else:         
      return self.model.module 

10.pytorch .h5 数据读入问题：

（h5文件不支持多线程读取）

感谢来自评论区@Tio 同学的分享：

• 背景：我们知道Torch框架需要符合其自身规格的输入数据的格式，在图像识别中用到的是以.t7扩展名的文件类型，同时也有h5格式类型，这种类型的和t7差不多，均可被torch框架使用，但在读入时候有个官方BUG
• 问题：DataLoader, when num_worker >0, there is bug 读入.h5 数据格式时候如果dataloader>0 内存会占满，并报错
• 
• 问题解决：

# 测试数据
f = h5py.File('test.h5')
for i in range(256):
    f['%s/data' % i] = np.random.uniform(0, 1, (1024, 1024))
    f['%s/target' % i] = np.random.choice(1000)

解决：

# 错误发生
dataloader = torch.utils.data.DataLoader(
    H5Dataset('test.h5'),
    batch_size=32,
    num_workers=8,
    shuffle=True
)
# 解决，num_workers 改为0
dataloader = torch.utils.data.DataLoader(
    H5Dataset('test.h5'),
    batch_size=32,
    num_workers=0,
    shuffle=True
)

11.评论区补充