(14)关于PyTorch训练深度学习模型CPU/GPU使用率低，训练速度慢这一问题的总结

电脑配置双2080Ti+i7-10700K，使用mobilenet-yolov4-lite训练VOC数据集时，训练100epochs要五六个小时，检测cpu和gpu的使用发现利用率都很低，说明没有充分使用电脑优秀的性能，两个显卡的使用率都分别只有20%-50%，查阅一些资料总结如下：

１、参考：【深度学习】踩坑日记：模型训练速度过慢，GPU利用率低

上面作者指出四个提速技巧：

其中，第四个无力改变，前两个均进行尝试，首先在train.py文件中改变了日志输出的间隔，但由于本来程序中就没有输出太多训练日志，只输出了模型结构和loss曲线，因此没有发现明显变化；第２点在训练时也使用了pin_memory和num_workers，但无论怎么调整num_workers，显卡利用率仍没有变化。

２、参考：深度学习PyTorch，TensorFlow中GPU利用率较低，CPU利用率很低，且模型训练速度很慢的问题总结与分析

上文作者进行了比较全面的总结，并且评论区也信息量较大，遇到这种情况可以自行查看。

 在调试过程中，命令：top     实时查看你的CPU的进程利用率，这个参数对应num_workers的设置； 命令：   watch -n 0.5 nvidia-smi    每0.5秒刷新并显示显卡设置。 实时查看GPU的使用情况，这是GPU的设置相关。这两个配合好。包括batch_size的设置。

主要指出batchsize要和num_workers配合使用，num_workers为cpu工作的线程数，一般来说不要超过cpu的核心数（本机cpu为8核心16线程）。

程序中遇到的问题为：将batchsize设为128，num_workers设为4，出现以下情况：gpu使用率在0%-60%之间变化。

分析问题：可能是cpu对数据的预处理速度供不上gpu的使用，因此gpu要等待cpu进行数据预处理，待处理好的数据传回来之后gpu再继续工作。

存在的问题：按照博客指出的方法进行调试，batchsize和num_workers配合使用，然而无论如何改变这两个数值，gpu使用率一直上不去，并且本机两个2080Ti允许最大batchsize为128，最终没有提高gpu使用率。

猜测可能存在的问题是：

(1)对于主板存在多个卡槽的情况，有网友指出由于电脑内存插入卡槽不对导致gpu使用率低。

(2)cpu进行数据预处理耗费时间太长。根据以下时间计算方法确定是程序哪一部分耗时太长，以进行优化。

并未将gpu利用率低的问题解决掉，由于个人时间精力有限，猜测可能的两个解决方法尚未进行尝试，有各位同行知道如何解决该问题，还请指导一二。