一    
    
    
    
、概念

num_workers是Dataloader的概念
    
    
    
  ，默认值是0
    
    
    
  。是告诉DataLoader实例要使用多少个子进程进行数据加载(和CPU有关     


     


     


     
，和GPU无关)

如果num_worker设为0 




 




 




 




，意味着每一轮迭代时

   

   

   

 ，dataloader不再有自主加载数据到RAM这一步骤（因为没有worker了）     

     

     

     ，而是在RAM中找batch  




  




  




  




，找不到时再加载相应的batch     


     


     


     
。缺点当然是速度慢 




 




 




 




。

当num_worker不为0时


  


  


  


，每轮到dataloader加载数据时     
     
     
     ，dataloader一次性创建num_worker个worker   




   




   




   



，并用batch_sampler将指定batch分配给指定worker



 



 



 



，worker将它负责的batch加载进RAM

   

   

   

 。

num_worker设置得大                   ，好处是寻batch速度快    




    




    




    


，因为下一轮迭代的batch很可能在上一轮/上上一轮…迭代时已经加载好了     

     

     

     。坏处是内存开销大



















，也加重了CPU负担（worker加载数据到RAM的进程是CPU复制的嘛）  




  




  




  




。num_workers的经验设置值是自己电脑/服务器的CPU核心数                  ，如果CPU很强 


     


     


     


  、RAM也很充足     



     



     



     

，就可以设置得更大些


  


  


  


。

num_worker小了的情况



















，主进程采集完最后一个worker的batch     
     
     
     。此时需要回去采集第一个worker产生的第二个batch   




   




   




   



。如果该worker此时没有采集完
    
    
    
  ，主线程会卡在这里等



 



 



 



。（这种情况出现在     


     


     


     
，num_works数量少或者batchsize

比较小 




 




 




 




，显卡很快就计算完了

   

   

   

 ，CPU对GPU供不应求                   。）

即     

     

     

     ，num_workers的值和模型训练快慢有关  




  




  




  




，和训练出的模型的performance无关

Detectron2的num_workers默认是4

二

 




 




 




 
、选择最合适的num_workers值

最合适的num_works值与数据集有关

最好是跑代码之前先用这段script跑一下


  


  


  


，选择最合适的num_workers值 from time import time import multiprocessing as mp import torch import torchvision from torchvision import transforms transform = transforms.Compose([ torchvision.transforms.ToTensor(), torchvision.transforms.Normalize((0.1307,), (0.3081,)) ]) trainset = torchvision.datasets.MNIST( root=dataset/, train=True, #如果为True     
     
     
     ，从 training.pt 创建数据   




   




   




   



，否则从 test.pt 创建数据    




    




    




    


。 download=True, #如果为true



 



 



 



，则从 Internet 下载数据集并将其放在根目录中



















。 如果已下载数据集                   ，则不会再次下载                  。 transform=transform ) print(f"num of CPU: {mp.cpu_count()}") for num_workers in range(2, mp.cpu_count(), 2): train_loader = torch.utils.data.DataLoader(trainset, shuffle=True, num_workers=num_workers, batch_size=64, pin_memory=True) start = time() for epoch in range(1, 3): for i, data in enumerate(train_loader, 0): pass end = time() print("Finish with:{} second, num_workers={}".format(end - start, num_workers))

可以看到    




    




    




    


，这个服务器24个CPU, 最合适的num_workers值是14

三   

   

   

   

、可能出现的问题

linux系统中可以使用多个子进程加载数据



















，windows系统里是不可以的                  ，可以发现报错时产生在DataLoader文件中的     



     



     



     

。我们找到自己调用DataLoader的文件中num_workers的设置     



     



     



     

，设置为0或者采用默认为0的设置



















。