pytorch（六）一些训练技巧

1.dataloader训练时的num_worker设置（推荐设置为1）

num_workers = 0 只用主进程main process （训练程序的进程)来加载数据。主进程完成一个batch的前向后向传播，再去disk搬运下一个batch到cpu，然后再转移到GPU。
num_workers = 1 除了主进程main process外,再开一个额外的进程去disk搬运数据到内存，主进程完成一个batch的前向后向传播后，就可以直接从内存get数据而不是从disk。
因此num_workers = 1 (共有2个进程，main process + 1 additional process),效果提升明显。20%加速

2.关于训练数据的归一化（在ET阶段完成，即装入dataloader之前完成。）

原因：神经网络对于输入在0-1之间时拟合效果最好

train_set = torchvision.datasets.FashionMNIST(
    root='./data'
    ,train=True
    ,download=True
transform = transforms.Compose(  #将多个transpose的操作组合成一个使用，这里是转化tensor和标准化。
    [transforms.ToTensor(),   #必须先将pil.image或ndarray转化成tensor，才能进行下面的归一化操作。
#这里如果传进来的是torch.uint8类型即torch.ByteTensor，则transforms.ToTensor底层会自动给其/255.0归一化
     , transforms.Normalize(mean, std)) #这里是标准化输入的是（mean,std）均值和方差，因为是RGB因此mean和std都是（1,3）的vector.Normalized_image = (image - mean)/std
 ）

输入归一化的方法：

• 方法一：pixel value直接/255 （tarnsforms.Totensor(）对torch.uint8类型的自动处理，不能再显示搞一遍，会导致输入及参数很小，无法收敛

batch = batch.float()
batch /= 255.0 

• 方法二：通过计算各通道的均值和标准差来进行各通道的归一化

n_channels = batch.shape[1]      #通道数
for c in range(n_channels):
    mean = torch.mean(batch[:,c])   #只取c通道
    std = torch.std(batch[:,c])
    batch[:,c]  =  (batch[:,c]-mean)/std

#结果显示，正规化的数据相同epoch后准率更高，意味着收敛的更快
#但是不总是成立，可能有些数据不归一化更好，需要试验。
params = OrderedDict(
      lr = [.01]
    , batch_size = [1000]
    , num_workers = [1]
    , device = ['cuda']
    , trainset = ['not_normal', 'normal']
)
m = RunManager()
for run in RunBuilder.get_runs(params):

    device = torch.device(run.device)
    network = Network().to(device)
    loader = DataLoader(
          trainsets[run.trainset]
        , batch_size=run.batch_size
        , num_workers=run.num_workers
    )
    optimizer = optim.Adam(network.parameters(), lr=run.lr)
    
    m.begin_run(run, network, loader)
    for epoch in range(20):
        m.begin_epoch()
        for batch in loader:
            
            images = batch[0].to(device)
            labels = batch[1].to(device)
            preds = network(images) # Pass Batch
            loss = F.cross_entropy(preds, labels) # Calculate Loss
            optimizer.zero_grad() # Zero Gradients
            loss.backward() # Calculate Gradients
            optimizer.step() # Update Weights
            
            m.track_loss(loss, batch)
            m.track_num_correct(preds, labels)
        m.end_epoch()
    m.end_run()
m.save('results')

3.关于数据的底层存放方式

• tensor的底层是一维的长向量，张量的索引实现是在长向量基于不同轴的步长实现。
• tensor和ndaaray都是连续存储，区别是tensor可直接运行在GPU上。
• 一般的python的序列化的存储容器如list不是连续的内存空间，因此索引等操作效率不高