torch Dataloader中的num_workers

本文通过实验分析了在不同硬盘类型(机械硬盘和SSD)以及torch DataLoader中设置`num_workers`参数对批量读取txt文件效率的影响。实验结果显示,无论在SSD还是机械硬盘上,总耗时基本不变,与预期的并行加速效果不符,引发对num_workers工作原理的疑问。同时,使用ray读取数据的实验表明,最佳的并行效果在n_cpu=2时达到。
摘要由CSDN通过智能技术生成

参考 torch Dataloader中的num_workers - 云+社区 - 腾讯云

考虑这么一个场景,有海量txt文件,一个个batch读进来,测试一下torch DataLoader的效率如何。

基本信息:

  • 本机配置:8核32G内存,工作站内置一块2T的机械硬盘,数据均放在该硬盘上
  • 操作系统:ubuntu 16.04 LTS
  • pytorch:1.0
  • python:3.6

1、首先生成很多随机文本txt

def gen_test_txt():
    population = list(string.ascii_letters) + ['\n']
    for i in range(1000):
        with open(f'./test_txt/{i}.txt', 'w') as f:
            f.write(
                ''.join(random.choices(population, k=1000000))
            )

2、然后顺序读取作为benchmark

def test_torch_reader():
  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
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

打赏作者

Wanderer001

ROIAlign原理

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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