pytorch 自定义forward loss运算cpu占用高 在gpu上加速

直接在gpu上定义tensor而减少cpu到gpu的copy!!!

问题

为了实现复杂的网络结构和损失函数,自定义forward和loss的计算,发现cpu占用很高,挂了几个训练就占满了所有cpu。
把运算都用.to(device)放到gpu上运算,发现还是cpu占用高,并且有更慢的趋势。用性能分析工具分析发现是aten::_to_copy aten::copy_cpu占用时间率高。

分析

为了验证是使用了.to(device)导致的,编写了程序,对比.to('cuda')和直接定义torch.tensor([],device='cuda'),发现torch.tensor([],device='cuda')时gpu利用率接近100%,而.to('cuda')gpu利用率还不到20%。

结论

直接在gpu上定义变量torch.tensor([],device='cuda')

  • 3
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值