最近遇到在数据加载完成后切片导致数据占据内存过大,最后爆掉无法正常运行的情况,

经过仔细排查发现是由于切片后数据量不断增加,最终超过上限所致。

经过仔细寻找,最后发现通过引入pin_memory这一参数可以解决这一问题。

ataLoader(dataset, batch_size=1, shuffle=False, sampler=None,

batch_sampler=None, num_workers=0, collate_fn=None,

pin_memory=False, drop_last=False, timeout=0,

worker_init_fn=None, *, prefetch_factor=2,

persistent_workers=False)

可以看到,默认情况下pin_memory是false,这里需要手动设置为True。

这里的原理是:当我们设置pin_memory=True时,PyTorch会预先将数据从CPU内存复制到固定(钉住)的内存,然后再将其移动到GPU。这可以减少在训练过程中将数据从CPU复制到GPU所需的时间,从而提高性能。

这可以解决我们内存占用过多的情况。

但是,这种方法会使用额外的共享内存(shm)资源,也会带来问题,待续。

推荐阅读

评论可见,请评论后查看内容,谢谢!!!
 您阅读本篇文章共花了: 


大家都在找:

pytorch:pytorch安装

深度学习:深度学习入门

机器学习:机器学习的应用领域

大家都在看: