-
先在更小的数据集跑通流程,各种做实验,预测效果,再扩展到更大数据集去,尤其是对于新项目。
否则可能会花了很长时间训练才发现效果不行。
-
混合精度
- 不光减少内存开销,甚至直接加速收敛
-
减少epoch
-
使用更小模型、计算量更低架构
-
减少数据量
-
在一张GPU上训练多个任务会严重拖慢速度(8s/50batch→54s/50batch),还不如先完成一个,再启动另一个。
- 单GPU利用率有剩,可在单任务中提高它,而不是再挂个任务;
- 可用pueue管理任务顺序;
-
优先把计算放到GPU
- 例如in_data = data[1].to(rank).view(-1, C, H, W)就挤满了CPU,in_data = data[1].to(rank).view(-1, C, H, W)就让CPU大半空闲了
训练模型时的加速技巧
最新推荐文章于 2024-07-19 22:46:50 发布