如果我们使用
Dataset
和 Dataloader
类的组合(如下所示),我必须使用 .to()
或 .cuda()
将数据显式加载到 GPU上。有没有办法指示数据加载器自动/隐式地执行此操作?
理解/重现场景的代码:
from torch.utils.data import Dataset, DataLoader
import numpy as np
class DemoData(Dataset):
def __init__(self, limit):
super(DemoData, self).__init__()
self.data = np.arange(limit)
def __len__(self):
return self.data.shape[0]
def __getitem__(self, idx):
return (self.data[idx], self.data[idx]*100)
demo = DemoData(100)
loader = DataLoader(demo, batch_size=50, shuffle=True)
for i, (i1, i2) in enumerate(loader):
print('Batch Index: {}'.format(i))
print('Shape of data item 1: {}; shape of data item 2: {}'.format(i1.shape, i2.shape))
# i1, i2 = i1.to('cuda:0'), i2.to('cuda:0')
print('Device of data item 1: {}; device of data item 2: {}\n'.format(i1.device, i2.device))
这将输出以下内容;注意 - 没有显式设备传输指令,数据将加载到 CPU:
Batch Index: 0
Shape of data item 1: torch.Size([50]); shape of data item 2: torch.Size([50])
Device of data item 1: cpu; device of data item 2: cpu
Batch Index: 1
Shape of data item 1: torch.Size([50]); shape of data item 2: torch.Size([50])
Device of data item 1: cpu; device of data item 2: cpu
一个可能的解决方案位于 这个 PyTorch GitHub 存储库。问题(在发布此问题时仍处于开放状态),但是,当数据加载器必须返回多个数据项时,我无法使其工作!
您可以修改
collate_fn
以同时处理多个项目:
from torch.utils.data.dataloader import default_collate
device = torch.device('cuda:0') # or whatever device/cpu you like
# the new collate function is quite generic
loader = DataLoader(demo, batch_size=50, shuffle=True,
collate_fn=lambda x: tuple(x_.to(device) for x_ in default_collate(x)))
请注意,如果您希望数据加载器有多个工作人员,则需要添加
torch.multiprocessing.set_start_method('spawn')
在您的
if __name__ == '__main__'
之后(请参阅此问题)。
话虽如此,似乎在
pin_memory=True
中使用 DataLoader
会更有效。您尝试过这个选项吗?更新(2021 年 2 月 8 日)
这篇文章让我了解了训练期间花费的“数据到模型”时间。
我比较了三种选择:
DataLoader
适用于 CPU,仅在检索批次后数据才会移至 GPU。pin_memory=True
中带有 DataLoader
。collate_fn
将数据移动到 GPU 的方法。从我有限的实验来看,第二个选项似乎表现最好(但幅度不是很大)。
第三个选项需要对数据加载进程的
start_method
大惊小怪,并且它似乎会在每个纪元开始时产生开销。
初始化DataSet时可以先将数据传递给GPU。