1、问题描述:
在PyTorch训练一个epoch时,模型不能接着训练,Dataloader卡死。但是程序也不会保存,会一直卡在这个位置。
查看显卡发现显存也大部分释放。只能通过Ctrl+C强制性暂停
这个bug是和多线程有关系。
我自己的代码重写了dataloader,使用的是OpenCV的接口进行数据读取,而没有用PIL。
目前有三种可靠的解决方式
1、可能是因为OpenCV与Pytorch互锁的问题,关闭OpenCV的多线程,问题解决。
Dataloader里面不用cv2.imread进行读取图片,用cv2.imread还会带来一系列的不方便,比如不能结合torchvision进行数据增强,所以最好用PIL 里面的Image.open来读图片。
2、将DataLoader 里面的参变量num_workers设置为0,但会导致数据的读取很慢,拖慢整个模型的训练
3、(已经测试)如果用了cv2.imread,也懒得改了,那就加两条语句,来关闭Opencv的多线程:
cv2.setNumThreads(0)
cv2.ocl.setUseOpenCL(False)
cv2.setNumThreads(0)和cv2.ocl.setUseOpenCL(False)。加了这两条语句之后,并不影响模型的训练速度,更具笔者观察,速度相反还变快了,真神奇呀。 我是在重写函数 def __getitem__(self, idx): 中加的。其他位置应该也可以。测试完后更新文章
综上所述:如果遇到此问题,建议选择方法1和方法3来解决这个问题,因为不影响模型训练速度。
2、RuntimeError: value cannot be converted to type float without overflow: (0.054786,-0.0178011)
这个问题是在scheduler对loss进行GPU上优化的错误,问题可能会有converted to type float, int and 。 具体原因可能是,模型加载同时加载的 optimizer,lr_scheduler参数过小 float精度不够无法表示导致的
临时解决方法:
1、可以不加载 optimizer,lr_scheduler 参数,自己重新定义 optimizer,lr_scheduler 来训练
2、可以 将loss转到cpu上进行优化即可---这可能会影响性能,只是临时解决办法
# after each epoch
# Note that step should be called after validate()
self.scheduler.step(loss.cpu().data.numpy())