深度学习训练速度的提高的一些浅见(1)gpu,cpu,硬盘等硬件

本文着重于硬件方面的问题，代码方面的问题后续会讨论。

背景

---

多人使用一台服务器，常常会发生由于某个任务占用某个计算资源(cpu,gpu,内存，硬盘io等)过多，而导致其他任务由于该计算资源过少而训练速度过慢的问题

可能的瓶颈

---

本身训练代码(软件)可能的问题

1. 有无多线程多进程输入。
2. op操作是否有做gpu优化。
3. 将数据集的预处理过程放入训练过程。
4. 请参考学习tensorflow以及pytorch的performance guide。

服务器(硬件)的问题

1. CPU使用。
2. GPU使用。
3. 内存使用。
4. 硬盘使用等等。

硬件可能的问题

---

1.CPU

---

CPU的主要问题

1. pytorch以及tensorflow的多线程输入设定过大，一般推荐较大数据流4线程，较小2线程。具体问题具体分析，要看数据输入是否是训练速度优化的瓶颈。

2. numpy或者opencv等的多线程操作或者tensorflow以及pytorch在cpu运行上的op。这些模块使用OMP或者MKL进行多线程加速，一般默认为cpu线程总数的一半，十分浪费计算力，推荐使用4线程，详见下表。
   

解决方案

在python文件中加入

import os
os.environ["MKL_NUM_THREADS"] = '4'
os.environ["NUMEXPR_NUM_THREADS"] = 4'
os.environ["OMP_NUM_THREADS"] = '4'

置于顶部，并放在import numpy等的前面，提前声明全局环境变量。

2.GPU

---

GPU的主要问题

• 多任务单GPU，但这种情况在所难免。
  gpu处理单元有限，多任务运行一个gpu减慢训练速度，详见下表。
  

3.硬盘io

---

硬盘io的主要问题

1. 数据读写过慢，对于计算量小，输入大的模型尤甚。
2. 训练中的数据处理方式存在大图切小图的步骤(比如模型输入为160x160, 训练读取1080p图片，再实时进行裁剪)。

解决方法

1. 可以参考<查看硬盘io读写 百度搜索>查看哪些进程io读写过大导致整体硬盘读写速度变慢。
2. 在训练前将大的图片裁剪好，训练时塞入小的图片，不过有可能会占大量硬盘空间。

4.内存

---

内存对于训练速度的影响

内存的主要问题

1. 数据并不是实时地读入模型，而是将所有数据先读取到内存，再通过placeholder等方法读取。
2. 忘记进行垃圾回收。

解决方法

1. tensorflow的queue runner(python多线程)以及Data(C++多线程)以及tfrecord。
2. pytorch的DataLoader.
3. memory_profiler模快+gc模快.

总结

---

1. Kunth大神说过的“过早的优化是万恶之源+寻找真正的瓶颈”。
2. 纯属一点点实验性总结，希望能有一点点帮助。
3. 思维导图