使用pytorch时,训练集数据太多达到上千万张,Dataloader加载很慢怎么办?
关注者
1,659被浏览
1,437,257登录后你可以
不限量看优质回答私信答主深度交流精彩内容一键收藏
PyTorch提速
原始文档:https://www.yuque.com/lart/ugkv9f/ugysgn
声明:大部分内容来自知乎和其他博客的分享,这里只作为一个收集罗列。欢迎给出更多建议。 知乎回答(欢迎点赞哦):
搬运到了github上:https://github.com/lartpang/PyTorchTricks
有喜欢的可以三连下,或者继续补充哦!
- pytorch dataloader数据加载占用了大部分时间,各位大佬都是怎么解决的? - 人民艺术家的回答 - 知乎 https://www.zhihu.com/question/307282137/answer/907835663
- 使用pytorch时,训练集数据太多达到上千万张,Dataloader加载很慢怎么办? - 人民艺术家的回答 - 知乎 https://www.zhihu.com/question/356829360/answer/907832358
changelog
- 2019年11月29日:更新一些模型设计技巧和推理加速的内容,补充了下apex的一个介绍链接, 另外删了tfrecord,pytorch能用么?这个我记得是不能,所以删掉了(表示删掉:<)
- 2019年11月30日:补充MAC的含义,补充ShuffleNetV2的论文链接
- 2019年12月02日:之前说的pytorch不能用tfrecord,今天看到https://www.zhihu.com/question/358632497下的一个回答,涨姿势了
- 2019年12月23日:补充几篇关于模型压缩量化的科普性文章
- 2020年2月7日: 从文章中摘录了一点注意事项, 补充在了代码层面小节
- 2020年4月30日:
- 添加了一个github的文档备份
- 补充了卷积层和BN层融合的介绍的链接
- 另外这里说明下,对于之前参考的很多朋友的文章和回答,没有把链接和对应的内容提要关联在一起,估计会导致一些朋友阅读时相关的内容时的提问,无法问到原作者,这里深感抱歉。
- 调整部分内容,将内容尽量与参考链接相对应
- 2020年5月18日:发现一个之前的错误:
non_blocking=False
的建议应该是non_blocking=True
. - 2021年01月06日:调整下关于读取图片数据的一些介绍.
- 2021年01月13日:补充了一条推理加速的策略. 我觉得我应该先更新github的文档,知乎答案的更新有点麻烦,也没法比较更改信息,就很费劲。
预处理提速
- 尽量减少每次读取数据时的预处理操作,可以考虑把一些固定的操作,例如 resize ,事先处理好保存下来,训练的时候直接拿来用
- Linux上将预处理搬到GPU上加速:
- NVIDIA/DALI :https://github.com/NVIDIA/DALI
IO提速
- 推荐大家关注下mmcv,其对数据的读取提供了比较高效且全面的支持,OpenMMLab:MMCV 核心组件分析(三): FileClient
使用更快的图片处理
opencv
一般要比PIL
要快(但是要注意,PIL的惰性加载的策略使得其看上去open
要比opencv的imread
要快,但是实际上那并没有完全加载数据,可以对open返回的对象调用其load()
方法,从而手动加载数据,这时的速度才是合理的)- 对于
jpeg
读取,可以尝试jpeg4py
- 存
bmp
图(降低解码时间) - 关于不同图像处理库速度的讨论建议关注下这个:
- Python的各种imread函数在实现方式和读取速度上有何区别? - 知乎 https://www.zhihu.com/question/48762352
小图拼起来存放(降低读取次数)
对于大规模的小文件读取,建议转成单独的文件,可以选择的格式可以考虑:TFRecord(Tensorflow)
、recordIO(recordIO)
、hdf5
、 pth
、n5
、lmdb
等等(https://github.com/Lyken17/Efficient-PyTorch#data-loader)
TFRecord
:https://github.com/vahidk/tfrecord- 借助
lmdb
数据库格式:
预读取数据
- 预读取下一次迭代需要的数据
- Pytorch1.7中的
DataLoader
提供了一个参数prefetch_factor
,可以试试 - Number of sample loaded in advance by each worker. 2 means there will be a total of 2 * num_workers samples prefetched across all workers.
【参考】
- 如何给你PyTorch里的Dataloader打鸡血 - MKFMIKU的文章 - 知乎 https://zhuanlan.zhihu.com/p/66145913
- 给pytorch 读取数据加速 - 体hi的文章 - 知乎 https://zhuanlan.zhihu.com/p/72956595
- torch.utils.data - PyTorch 1.7.0 documentation
借助内存
- 直接载到内存里面,或者把把内存映射成磁盘好了
【参考】
- 参见 https://zhuanlan.zhihu.com/p/66145913 的评论中 @雨宫夏一 的评论(额,似乎那条评论找不到了,不过大家可以搜一搜)
借助固态
- 把读取速度慢的机械硬盘换成 NVME 固态吧~
【参考】
- 如何给你PyTorch里的Dataloader打鸡血 - MKFMIKU的文章 - 知乎 https://zhuanlan.zhihu.com/p/66145913
训练策略
低精度训练
- 在训练中使用低精度(
FP16
甚至INT8
、二值网络、三值网络)表示取代原有精度(FP32
)表示 - 使用
Apex
的混合精度或者是PyTorch1.6开始提供的torch.cuda.amp
模块来训练. 可以节约一定的显存并提速, 但是要小心一些不安全的操作如mean和sum: NVIDIA/Apex
:- https://blog.csdn.net/c9Yv2cf9I06K2A9E/article/details/100135729
- https://github.com/nvidia/apex
- Pytorch 安装 APEX 疑难杂症解决方案 - 陈瀚可的文章 - 知乎https://zhuanlan.zhihu.com/p/80386137
- http://kevinlt.top/2018/09/14/mixed_precision_training/
torch.cuda.amp
:
代码层面
torch.backends.cudnn.benchmark = True
- Do numpy-like operations on the GPU wherever you can
- Free up memory using
del
- Avoid unnecessary transfer of data from the GPU
- Use pinned memory, and use
non_blocking=True
to parallelize data transfer and GPU number crunching - 文档:https://pytorch.org/docs/stable/nn.html#torch.nn.Module.to
- 关于
non_blocking=True
的设定的一些介绍:Pytorch有什么节省显存的小技巧? - 陈瀚可的回答 - 知乎 https://www.zhihu.com/question/274635237/answer/756144739 - 网络设计很重要,外加不要初始化任何用不到的变量,因为 PyTorch 的初始化和
forward
是分开的,他不会因为你不去使用,而不去初始化 - 合适的
num_worker
: Pytorch 提速指南 - 云梦的文章 - 知乎 https://zhuanlan.zhihu.com/p/39752167(这里也包含了一些其他细节上的讨论)
模型设计
来自 ShuffleNetV2 的结论:(内存访问消耗时间,memory access cost
缩写为 MAC
)
- 卷积层输入输出通道一致:卷积层的输入和输出特征通道数相等时 MAC 最小,此时模型速度最快
- 减少卷积分组:过多的 group 操作会增大
MAC
,从而使模型速度变慢 - 减少模型分支:模型中的分支数量越少,模型速度越快
- 减少
element-wise
操作:element-wise
操作所带来的时间消耗远比在 FLOPs 上的体现的数值要多,因此要尽可能减少element-wise
操作(depthwise convolution
也具有低 FLOPs 、高 MAC 的特点)
其他:
- 降低复杂度:例如模型裁剪和剪枝,减少模型层数和参数规模
- 改模型结构:例如模型蒸馏,通过知识蒸馏方法来获取小模型
推理加速
半精度与权重量化
在推理中使用低精度(FP16
甚至 INT8
、二值网络、三值网络)表示取代原有精度(FP32
)表示:
TensorRT
是 NVIDIA 提出的神经网络推理(Inference)引擎,支持训练后 8BIT 量化,它使用基于交叉熵的模型量化算法,通过最小化两个分布的差异程度来实现- Pytorch1.3 开始已经支持量化功能,基于 QNNPACK 实现,支持训练后量化,动态量化和量化感知训练等技术
- 另外
Distiller
是 Intel 基于 Pytorch 开源的模型优化工具,自然也支持 Pytorch 中的量化技术 - 微软的
NNI
集成了多种量化感知的训练算法,并支持PyTorch/TensorFlow/MXNet/Caffe2
等多个开源框架
【参考】:
网络 inference 阶段 Conv 层和 BN 层融合
【参考】
- https://zhuanlan.zhihu.com/p/110552861
- PyTorch本身提供了类似的功能,但是我没有使用过,希望有朋友可以提供一些使用体会:https://pytorch.org/docs/1.3.0/quantization.html#torch.quantization.fuse_modules
- 网络inference阶段conv层和BN层的融合 - autocyz的文章 - 知乎 https://zhuanlan.zhihu.com/p/48005099
多分支结构融合成单分支
- ACNet、RepVGG这种设计策略也很有意思
- RepVGG|让你的ConVNet一卷到底,plain网络首次超过80%top1精度:https://mp.weixin.qq.com/s/M4Kspm6hO3W8fXT_JqoEhA
时间分析
- Python 的
cProfile
可以用来分析。(Python 自带了几个性能分析的模块:profile
、cProfile
和hotshot
,使用方法基本都差不多,无非模块是纯 Python 还是用 C 写的)
项目推荐
- 基于 Pytorch 实现模型压缩(https://github.com/666DZY666/model-compression):
- 量化:8/4/2 bits(dorefa)、三值/二值(twn/bnn/xnor-net)
- 剪枝:正常、规整、针对分组卷积结构的通道剪枝
- 分组卷积结构
- 针对特征二值量化的BN融合
扩展阅读
- pytorch dataloader数据加载占用了大部分时间,各位大佬都是怎么解决的? - 知乎 https://www.zhihu.com/question/307282137
- 使用pytorch时,训练集数据太多达到上千万张,Dataloader加载很慢怎么办? - 知乎 https://www.zhihu.com/question/356829360
- PyTorch 有哪些坑/bug? - 知乎 https://www.zhihu.com/question/67209417
- https://sagivtech.com/2017/09/19/optimizing-pytorch-training-code/
- 26秒单GPU训练CIFAR10,Jeff Dean也点赞的深度学习优化技巧 - 机器之心的文章 - 知乎 https://zhuanlan.zhihu.com/p/79020733
- 线上模型加入几个新特征训练后上线,tensorflow serving预测时间为什么比原来慢20多倍? - TzeSing的回答 - 知乎 https://www.zhihu.com/question/354086469/answer/894235805
- 相关资料 · 语雀 https://www.yuque.com/lart/gw5mta/bl3p3y
- ShuffleNetV2:https://arxiv.org/pdf/1807.11164.pdf
- 今天,你的模型加速了吗?这里有5个方法供你参考(附代码解析): https://mp.weixin.qq.com/s?__biz=MzI0ODcxODk5OA==&mid=2247511633&idx=2&sn=a5ab187c03dfeab4e64c85fc562d7c0d&chksm=e99e9da8dee914be3d713c41d5dedb7fcdc9982c8b027b5e9b84e31789913c5b2dd880210ead&mpshare=1&scene=1&srcid=&sharer_sharetime=1576934236399&sharer_shareid=1d0dbdb37c6b95413d1d4fe7d61ed8f1&exportkey=A%2B3SqYGse83qyFva%2BYSy3Ng%3D&pass_ticket=winxjBrzw0kHErbSri5yXS88yBx1a%2BAL9KKTG6Zt1MMS%2FeI2hpx%2BmeaLsrahnlOS#rd
- pytorch常见的坑汇总 - 郁振波的文章 - 知乎 https://zhuanlan.zhihu.com/p/77952356
- Pytorch 提速指南 - 云梦的文章 - 知乎 https://zhuanlan.zhihu.com/p/39752167