一、概念
num_workers是Dataloader的概念，默认值是0。是告诉DataLoader实例要使用多少个子进程进行数据加载(和CPU有关，和GPU无关)
如果num_worker设为0，意味着每一轮迭代时，dataloader不再有自主加载数据到RAM这一步骤（因为没有worker了），而是在RAM中找batch，找不到时再加载相应的batch。缺点当然是速度慢。当num_worker不为0时，每轮到dataloader加载数据时，dataloader一次性创建num_worker个worker，并用batch_sampler将指定batch分配给指定worker，worker将它负责的batch加载进RAM。
num_worker设置得大，好处是寻batch速度快，因为下一轮迭代的batch很可能在上一轮/上上一轮…迭代时已经加载好了。坏处是内存开销大，也加重了CPU负担（worker加载数据到RAM的进程是CPU复制的嘛）。num_workers的经验设置值是自己电脑/服务器的CPU核心数，如果CPU很强、RAM也很充足，就可以设置得更大些。
num_worker小了的情况，主进程采集完最后一个worker的batch。此时需要回去采集第一个worker产生的第二个batch。如果该worker此时没有采集完，主线程会卡在这里等。（这种情况出现在，num_works数量少或者batchsize
比较小，显卡很快就计算完了，CPU对GPU供不应求。）即，num_workers的值和模型训练快慢有关，和训练出的模型的performance无关
Detectron2的num_workers默认是4
二、选择最合适的num_workers值
最合适的num_works值与数据集有关
最好是跑代码之前先用这段script跑一下，选择最合适的num_workers值
from time import time
import multiprocessing as mp
import torch
import torchvision
from torchvision import transforms
transform = transforms.Compose([
torchvision.transforms.ToTensor(),
torchvision.transforms.Normalize((0.1307,), (0.3081,))
])
trainset = torchvision.datasets.MNIST(
root='dataset/',
train=True, #如果为True，从 training.pt 创建数据，否则从 test.pt 创建数据。
download=True, #如果为true，则从 Internet 下载数据集并将其放在根目录中。 如果已下载数据集，则不会再次下载。
transform=transform
)
print(f"num of CPU: {mp.cpu_count()}")
for num_workers in range(2, mp.cpu_count(), 2):
train_loader = torch.utils.data.DataLoader(trainset, shuffle=True, num_workers=num_workers, batch_size=64, pin_memory=True)
start = time()
for epoch in range(1, 3):
for i, data in enumerate(train_loader, 0):
pass
end = time()
print("Finish with:{} second, num_workers={}".format(end - start, num_workers))
可以看到，这个服务器24个CPU, 最合适的num_workers值是14文章来源：https://www.toymoban.com/news/detail-782266.html
三、可能出现的问题
linux系统中可以使用多个子进程加载数据，windows系统里是不可以的，可以发现报错时产生在DataLoader文件中的。我们找到自己调用DataLoader的文件中num_workers的设置，设置为0或者采用默认为0的设置。文章来源地址https://www.toymoban.com/news/detail-782266.html
到了这里，关于Pytorch DataLoader中的num_workers (选择最合适的num_workers值)的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
