PyTorch next (iter (training_loader)) чрезвычайно медленные, простые данные, не может ли num_workers? - PullRequest
Новая
       13

PyTorch next (iter (training_loader)) чрезвычайно медленные, простые данные, не может ли num_workers?

0 голосов
/ 13 ноября 2018

Здесь x_dat и y_dat - это просто очень длинные одномерные тензоры. 

class FunctionDataset(Dataset):
    def __init__(self):
        x_dat, y_dat = data_product()

        self.length = len(x_dat)
        self.y_dat = y_dat
        self.x_dat = x_dat

    def __getitem__(self, index):
        sample = self.x_dat[index]
        label = self.y_dat[index]
        return sample, label

    def __len__(self):
        return self.length

...

data_set = FunctionDataset()

...

training_sampler = SubsetRandomSampler(train_indices)
validation_sampler = SubsetRandomSampler(validation_indices)

training_loader = DataLoader(data_set, sampler=training_sampler, batch_size=params['batch_size'], shuffle=False)
validation_loader = DataLoader(data_set, sampler=validation_sampler, batch_size=valid_size, shuffle=False)

Я также попытался закрепить память для двух загрузчиков. Установка num_workers в> 0 дает мне ошибки во время выполнения между процессами (например, ошибка EOF и ошибки прерывания). Я получаю свою партию с: 

x_val, target = next(iter(training_loader))

Весь набор данных поместился бы в memory / gpu, но я хотел бы эмулировать пакеты для этого эксперимента. Профилирование моего процесса дает мне следующее: 

16276989 function calls (16254744 primitive calls) in 38.779 seconds

   Ordered by: cumulative time

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
   1745/1    0.028    0.000   38.780   38.780 {built-in method builtins.exec}
        1    0.052    0.052   38.780   38.780 simple aprox.py:3(<module>)
        1    0.000    0.000   36.900   36.900 simple aprox.py:519(exploreHeatmap)
        1    0.000    0.000   36.900   36.900 simple aprox.py:497(optFromSample)
        1    0.033    0.033   36.900   36.900 simple aprox.py:274(train)
  705/483    0.001    0.000   34.495    0.071 {built-in method builtins.next}
      222    1.525    0.007   34.493    0.155 dataloader.py:311(__next__)
      222    0.851    0.004   12.752    0.057 dataloader.py:314(<listcomp>)
  3016001   11.901    0.000   11.901    0.000 simple aprox.py:176(__getitem__)
       21    0.010    0.000   10.891    0.519 simple aprox.py:413(validationError)
      443    1.380    0.003    9.664    0.022 sampler.py:136(__iter__)
  663/221    2.209    0.003    8.652    0.039 dataloader.py:151(default_collate)
      221    0.070    0.000    6.441    0.029 dataloader.py:187(<listcomp>)
      442    6.369    0.014    6.369    0.014 {built-in method stack}
  3060221    2.799    0.000    5.890    0.000 sampler.py:68(<genexpr>)
  3060000    3.091    0.000    3.091    0.000 tensor.py:382(<lambda>)
      222    0.001    0.000    1.985    0.009 sampler.py:67(__iter__)
      222    1.982    0.009    1.982    0.009 {built-in method randperm}
  663/221    0.002    0.000    1.901    0.009 dataloader.py:192(pin_memory_batch)
      221    0.000    0.000    1.899    0.009 dataloader.py:200(<listcomp>)
....

Предполагается, что загрузчик данных очень медленный по сравнению с оставшейся частью моего эксперимента (обучение модели и множество других вычислений и т. Д.). Что идет не так и как лучше всего это ускорить?

1 Ответ

0 голосов
/ 14 ноября 2018

При получении пакета с помощью 

x, y = next(iter(training_loader))

вы фактически создаете новый экземпляр итератора dataloader при каждом вызове (!). См. этот поток для получения дополнительной информации.
Что выВместо этого следует создать итератор один раз (за эпоху): 

training_loader_iter = iter(training_loader)

, а затем вызвать next для каждого пакета итератора 

for i in range(num_batches_in_epoch):
  x, y = next(training_loader_iter)

IРанее у меня была похожая проблема, и это также приводило к исчезновению ошибок EOF, возникающих при использовании нескольких рабочих.

...