注意
转到末尾 下载完整示例代码。
PyTorch 中 non_blocking 和 pin_memory() 良好使用指南#
创建于：2024 年 7 月 31 日 | 最后更新：2025 年 3 月 18 日 | 最后验证：2024 年 11 月 5 日
简介#
在许多 PyTorch 应用程序中，将数据从 CPU 传输到 GPU 是基础操作。了解在设备之间移动数据的最有效工具和选项对于用户至关重要。本教程探讨了 PyTorch 中设备到设备数据传输的两种关键方法：pin_memory() 和带有 non_blocking=True 选项的 to()。
您将学到什么#
通过异步传输和内存固定可以优化张量从 CPU 到 GPU 的传输。但是，有一些重要的考虑因素
使用
tensor.pin_memory().to(device, non_blocking=True)可能比简单的tensor.to(device)慢两倍。通常，
tensor.to(device, non_blocking=True)是提高传输速度的有效选择。虽然
cpu_tensor.to("cuda", non_blocking=True).mean()执行正确，但尝试cuda_tensor.to("cpu", non_blocking=True).mean()将导致错误的输出。
前言#
本教程中报告的性能取决于用于构建教程的系统。尽管这些结论适用于不同的系统，但具体观察结果可能因可用硬件而略有不同，尤其是在旧硬件上。本教程的主要目标是提供一个理论框架，用于理解 CPU 到 GPU 的数据传输。但是，任何设计决策都应根据具体情况进行调整，并以基准吞吐量测量以及手头任务的具体要求为指导。
import torch
assert torch.cuda.is_available(), "A cuda device is required to run this tutorial"
本教程需要安装 tensordict。如果您的环境中尚未安装 tensordict，请在单独的单元格中运行以下命令进行安装
# Install tensordict with the following command
!pip3 install tensordict
我们首先概述围绕这些概念的理论，然后转到功能的具体测试示例。
背景#
内存管理基础知识#
当在 PyTorch 中创建 CPU 张量时，此张量的内容需要放置在内存中。我们这里谈论的内存是一个相当复杂的概念，值得仔细研究。我们区分两种由内存管理单元处理的内存类型：RAM（为简单起见）和磁盘上的交换空间（可能是也可能不是硬盘）。总的来说，磁盘和 RAM（物理内存）中可用的空间构成了虚拟内存，它是可用资源的总抽象。简而言之，虚拟内存使得可用空间大于单独的 RAM 中的可用空间，并创建主内存大于实际大小的错觉。
在正常情况下，普通 CPU 张量是可分页的，这意味着它被划分为称为页的块，这些块可以存在于虚拟内存中的任何位置（无论是在 RAM 中还是在磁盘上）。如前所述，这使得内存看起来比实际主内存更大。
通常，当程序访问不在 RAM 中的页时，会发生“页错误”，然后操作系统 (OS) 将此页带回 RAM（“换入”或“页入”）。反过来，操作系统可能不得不换出（或“页出”）另一个页以腾出空间给新页。
与可分页内存相反，固定（或页锁定或不可分页）内存是一种不能交换到磁盘的内存类型。它允许更快、更可预测的访问时间，但缺点是它比可分页内存（即主内存）更有限。
CUDA 和（不可）分页内存#
要理解 CUDA 如何将张量从 CPU 复制到 CUDA，让我们考虑上述两种情况
如果内存是页锁定的，设备可以直接在主内存中访问内存。内存地址定义明确，并且需要读取这些数据的功能可以显著加速。
如果内存是可分页的，所有页都必须先被带到主内存，然后才能发送到 GPU。此操作可能需要时间，并且比在页锁定张量上执行时更不可预测。
更准确地说，当 CUDA 将可分页数据从 CPU 发送到 GPU 时，它必须首先创建该数据的页锁定副本，然后才能进行传输。
使用 non_blocking=True 进行异步与同步操作 (CUDA cudaMemcpyAsync)#
在执行从主机（例如 CPU）到设备（例如 GPU）的复制时，CUDA 工具包提供了相对于主机同步或异步执行这些操作的模式。
实际上，当调用 to() 时，PyTorch 总是调用 cudaMemcpyAsync。如果 non_blocking=False（默认），则在每次 cudaMemcpyAsync 之后都会调用 cudaStreamSynchronize，使得对 to() 的调用在主线程中阻塞。如果 non_blocking=True，则不会触发同步，并且主机上的主线程不会阻塞。因此，从主机的角度来看，多个张量可以同时发送到设备，因为线程不需要等待一个传输完成才能启动另一个传输。
注意
通常，传输在设备端是阻塞的（即使在主机端不是）：设备上的复制不能在执行另一个操作时发生。然而，在某些高级场景中，复制和内核执行可以在 GPU 端同时完成。如下例所示，必须满足三个要求才能实现这一点
设备必须至少有一个空闲的 DMA（直接内存访问）引擎。现代 GPU 架构，如 Volterra、Tesla 或 H100 设备，具有多个 DMA 引擎。
传输必须在单独的非默认 cuda 流上完成。在 PyTorch 中，cuda 流可以使用
Stream进行处理。源数据必须位于固定内存中。
我们通过对以下脚本运行配置文件来演示这一点。
import contextlib
from torch.cuda import Stream
s = Stream()
torch.manual_seed(42)
t1_cpu_pinned = torch.randn(1024**2 * 5, pin_memory=True)
t2_cpu_paged = torch.randn(1024**2 * 5, pin_memory=False)
t3_cuda = torch.randn(1024**2 * 5, device="cuda:0")
assert torch.cuda.is_available()
device = torch.device("cuda", torch.cuda.current_device())
# The function we want to profile
def inner(pinned: bool, streamed: bool):
with torch.cuda.stream(s) if streamed else contextlib.nullcontext():
if pinned:
t1_cuda = t1_cpu_pinned.to(device, non_blocking=True)
else:
t2_cuda = t2_cpu_paged.to(device, non_blocking=True)
t_star_cuda_h2d_event = s.record_event()
# This operation can be executed during the CPU to GPU copy if and only if the tensor is pinned and the copy is
# done in the other stream
t3_cuda_mul = t3_cuda * t3_cuda * t3_cuda
t3_cuda_h2d_event = torch.cuda.current_stream().record_event()
t_star_cuda_h2d_event.synchronize()
t3_cuda_h2d_event.synchronize()
# Our profiler: profiles the `inner` function and stores the results in a .json file
def benchmark_with_profiler(
pinned,
streamed,
) -> None:
torch._C._profiler._set_cuda_sync_enabled_val(True)
wait, warmup, active = 1, 1, 2
num_steps = wait + warmup + active
rank = 0
with torch.profiler.profile(
activities=[
torch.profiler.ProfilerActivity.CPU,
torch.profiler.ProfilerActivity.CUDA,
],
schedule=torch.profiler.schedule(
wait=wait, warmup=warmup, active=active, repeat=1, skip_first=1
),
) as prof:
for step_idx in range(1, num_steps + 1):
inner(streamed=streamed, pinned=pinned)
if rank is None or rank == 0:
prof.step()
prof.export_chrome_trace(f"trace_streamed{int(streamed)}_pinned{int(pinned)}.json")
在 Chrome 中加载这些配置文件跟踪（chrome://tracing）显示以下结果：首先，让我们看看在主流中将可分页张量发送到 GPU 后，对 t3_cuda 的算术操作会发生什么
benchmark_with_profiler(streamed=False, pinned=False)
使用固定张量对跟踪没有太大改变，两个操作仍然是连续执行的
benchmark_with_profiler(streamed=False, pinned=True)
在单独的流上将可分页张量发送到 GPU 也是一个阻塞操作
benchmark_with_profiler(streamed=True, pinned=False)
只有固定张量复制到 GPU，在单独的流上，才能与在主流上执行的另一个 cuda 内核重叠
benchmark_with_profiler(streamed=True, pinned=True)
PyTorch 视角#
pin_memory()#
PyTorch 提供了通过 pin_memory() 方法和构造函数参数创建和发送张量到页锁定内存的可能性。在 CUDA 已初始化的机器上的 CPU 张量可以通过 pin_memory() 方法转换为固定内存。重要的是，pin_memory 在主机的主线程上是阻塞的：它会等待张量复制到页锁定内存后才执行下一个操作。新张量可以直接在固定内存中创建，使用 zeros()、ones() 和其他构造函数等函数。
让我们检查固定内存和发送张量到 CUDA 的速度
import torch
import gc
from torch.utils.benchmark import Timer
import matplotlib.pyplot as plt
def timer(cmd):
median = (
Timer(cmd, globals=globals())
.adaptive_autorange(min_run_time=1.0, max_run_time=20.0)
.median
* 1000
)
print(f"{cmd}: {median: 4.4f} ms")
return median
# A tensor in pageable memory
pageable_tensor = torch.randn(1_000_000)
# A tensor in page-locked (pinned) memory
pinned_tensor = torch.randn(1_000_000, pin_memory=True)
# Runtimes:
pageable_to_device = timer("pageable_tensor.to('cuda:0')")
pinned_to_device = timer("pinned_tensor.to('cuda:0')")
pin_mem = timer("pageable_tensor.pin_memory()")
pin_mem_to_device = timer("pageable_tensor.pin_memory().to('cuda:0')")
# Ratios:
r1 = pinned_to_device / pageable_to_device
r2 = pin_mem_to_device / pageable_to_device
# Create a figure with the results
fig, ax = plt.subplots()
xlabels = [0, 1, 2]
bar_labels = [
"pageable_tensor.to(device) (1x)",
f"pinned_tensor.to(device) ({r1:4.2f}x)",
f"pageable_tensor.pin_memory().to(device) ({r2:4.2f}x)"
f"\npin_memory()={100*pin_mem/pin_mem_to_device:.2f}% of runtime.",
]
values = [pageable_to_device, pinned_to_device, pin_mem_to_device]
colors = ["tab:blue", "tab:red", "tab:orange"]
ax.bar(xlabels, values, label=bar_labels, color=colors)
ax.set_ylabel("Runtime (ms)")
ax.set_title("Device casting runtime (pin-memory)")
ax.set_xticks([])
ax.legend()
plt.show()
# Clear tensors
del pageable_tensor, pinned_tensor
_ = gc.collect()
pageable_tensor.to('cuda:0'): 0.3670 ms
pinned_tensor.to('cuda:0'): 0.3139 ms
pageable_tensor.pin_memory(): 0.1134 ms
pageable_tensor.pin_memory().to('cuda:0'): 0.4310 ms
我们可以观察到，将固定内存张量转换为 GPU 确实比可分页张量快得多，因为在底层，可分页张量必须在发送到 GPU 之前复制到固定内存。
然而，与一些普遍的看法相反，在将可分页张量转换为 GPU 之前调用 pin_memory() 不应带来任何显著的速度提升，相反，此调用通常比仅执行传输慢。这是有道理的，因为我们实际上是在要求 Python 执行 CUDA 无论如何都会在将数据从主机复制到设备之前执行的操作。
注意
PyTorch 对 pin_memory 的实现依赖于通过 cudaHostAlloc 在固定内存中创建一个全新的存储，在极少数情况下可能比 cudaMemcpy 分块传输数据更快。这里，观察结果也可能因可用硬件、发送张量的大小或可用 RAM 的量而异。
non_blocking=True#
如前所述，许多 PyTorch 操作可以选择通过 non_blocking 参数相对于主机异步执行。
在这里，为了准确地说明使用 non_blocking 的好处，我们将设计一个稍微复杂的实验，因为我们想要评估使用和不使用 non_blocking 将多个张量发送到 GPU 的速度。
# A simple loop that copies all tensors to cuda
def copy_to_device(*tensors):
result = []
for tensor in tensors:
result.append(tensor.to("cuda:0"))
return result
# A loop that copies all tensors to cuda asynchronously
def copy_to_device_nonblocking(*tensors):
result = []
for tensor in tensors:
result.append(tensor.to("cuda:0", non_blocking=True))
# We need to synchronize
torch.cuda.synchronize()
return result
# Create a list of tensors
tensors = [torch.randn(1000) for _ in range(1000)]
to_device = timer("copy_to_device(*tensors)")
to_device_nonblocking = timer("copy_to_device_nonblocking(*tensors)")
# Ratio
r1 = to_device_nonblocking / to_device
# Plot the results
fig, ax = plt.subplots()
xlabels = [0, 1]
bar_labels = [f"to(device) (1x)", f"to(device, non_blocking=True) ({r1:4.2f}x)"]
colors = ["tab:blue", "tab:red"]
values = [to_device, to_device_nonblocking]
ax.bar(xlabels, values, label=bar_labels, color=colors)
ax.set_ylabel("Runtime (ms)")
ax.set_title("Device casting runtime (non-blocking)")
ax.set_xticks([])
ax.legend()
plt.show()
copy_to_device(*tensors): 16.2602 ms
copy_to_device_nonblocking(*tensors): 11.6607 ms
为了更好地理解这里发生的事情，让我们分析这两个函数
from torch.profiler import profile, ProfilerActivity
def profile_mem(cmd):
with profile(activities=[ProfilerActivity.CPU]) as prof:
exec(cmd)
print(cmd)
print(prof.key_averages().table(row_limit=10))
让我们首先使用常规的 to(device) 查看调用堆栈
print("Call to `to(device)`", profile_mem("copy_to_device(*tensors)"))
copy_to_device(*tensors)
------------------------- ------------ ------------ ------------ ------------ ------------ ------------
Name Self CPU % Self CPU CPU total % CPU total CPU time avg # of Calls
------------------------- ------------ ------------ ------------ ------------ ------------ ------------
aten::to 3.95% 802.844us 100.00% 20.327ms 20.327us 1000
aten::_to_copy 10.98% 2.232ms 96.05% 19.525ms 19.525us 1000
aten::empty_strided 19.76% 4.018ms 19.76% 4.018ms 4.018us 1000
aten::copy_ 22.51% 4.576ms 65.31% 13.275ms 13.275us 1000
cudaMemcpyAsync 18.22% 3.704ms 18.22% 3.704ms 3.704us 1000
cudaStreamSynchronize 24.58% 4.996ms 24.58% 4.996ms 4.996us 1000
------------------------- ------------ ------------ ------------ ------------ ------------ ------------
Self CPU time total: 20.327ms
Call to `to(device)` None
现在是 non_blocking 版本
print(
"Call to `to(device, non_blocking=True)`",
profile_mem("copy_to_device_nonblocking(*tensors)"),
)
copy_to_device_nonblocking(*tensors)
------------------------- ------------ ------------ ------------ ------------ ------------ ------------
Name Self CPU % Self CPU CPU total % CPU total CPU time avg # of Calls
------------------------- ------------ ------------ ------------ ------------ ------------ ------------
aten::to 4.91% 760.511us 99.85% 15.464ms 15.464us 1000
aten::_to_copy 14.34% 2.221ms 94.94% 14.703ms 14.703us 1000
aten::empty_strided 25.25% 3.911ms 25.25% 3.911ms 3.911us 1000
aten::copy_ 31.01% 4.803ms 55.35% 8.572ms 8.572us 1000
cudaMemcpyAsync 24.34% 3.770ms 24.34% 3.770ms 3.770us 1000
cudaDeviceSynchronize 0.15% 23.831us 0.15% 23.831us 23.831us 1
------------------------- ------------ ------------ ------------ ------------ ------------ ------------
Self CPU time total: 15.488ms
Call to `to(device, non_blocking=True)` None
使用 non_blocking=True 的结果无疑更好，因为所有传输都在主机端同时启动，并且只执行一次同步。
收益将因张量的数量和大小以及所使用的硬件而异。
注意
有趣的是，阻塞的 to("cuda") 实际上执行与带有 non_blocking=True 的操作相同的异步设备转换操作（cudaMemcpyAsync），每个副本之后都有一个同步点。
协同效应#
现在我们已经说明了将已在固定内存中的张量传输到 GPU 比从可分页内存传输更快，并且我们知道异步执行这些传输也比同步执行更快，我们可以对这些方法的组合进行基准测试。首先，让我们编写几个新函数，它们将在每个张量上调用 pin_memory 和 to(device)
def pin_copy_to_device(*tensors):
result = []
for tensor in tensors:
result.append(tensor.pin_memory().to("cuda:0"))
return result
def pin_copy_to_device_nonblocking(*tensors):
result = []
for tensor in tensors:
result.append(tensor.pin_memory().to("cuda:0", non_blocking=True))
# We need to synchronize
torch.cuda.synchronize()
return result
使用 pin_memory() 的好处在相当大的张量批次中更为明显
tensors = [torch.randn(1_000_000) for _ in range(1000)]
page_copy = timer("copy_to_device(*tensors)")
page_copy_nb = timer("copy_to_device_nonblocking(*tensors)")
tensors_pinned = [torch.randn(1_000_000, pin_memory=True) for _ in range(1000)]
pinned_copy = timer("copy_to_device(*tensors_pinned)")
pinned_copy_nb = timer("copy_to_device_nonblocking(*tensors_pinned)")
pin_and_copy = timer("pin_copy_to_device(*tensors)")
pin_and_copy_nb = timer("pin_copy_to_device_nonblocking(*tensors)")
# Plot
strategies = ("pageable copy", "pinned copy", "pin and copy")
blocking = {
"blocking": [page_copy, pinned_copy, pin_and_copy],
"non-blocking": [page_copy_nb, pinned_copy_nb, pin_and_copy_nb],
}
x = torch.arange(3)
width = 0.25
multiplier = 0
fig, ax = plt.subplots(layout="constrained")
for attribute, runtimes in blocking.items():
offset = width * multiplier
rects = ax.bar(x + offset, runtimes, width, label=attribute)
ax.bar_label(rects, padding=3, fmt="%.2f")
multiplier += 1
# Add some text for labels, title and custom x-axis tick labels, etc.
ax.set_ylabel("Runtime (ms)")
ax.set_title("Runtime (pin-mem and non-blocking)")
ax.set_xticks([0, 1, 2])
ax.set_xticklabels(strategies)
plt.setp(ax.get_xticklabels(), rotation=45, ha="right", rotation_mode="anchor")
ax.legend(loc="upper left", ncols=3)
plt.show()
del tensors, tensors_pinned
_ = gc.collect()
copy_to_device(*tensors): 384.0254 ms
copy_to_device_nonblocking(*tensors): 307.5485 ms
copy_to_device(*tensors_pinned): 314.1765 ms
copy_to_device_nonblocking(*tensors_pinned): 299.8028 ms
pin_copy_to_device(*tensors): 553.0587 ms
pin_copy_to_device_nonblocking(*tensors): 326.2296 ms
其他复制方向（GPU -> CPU，CPU -> MPS）#
到目前为止，我们一直假设从 CPU 到 GPU 的异步复制是安全的。这通常是正确的，因为 CUDA 会自动处理同步，以确保在读取时间访问数据有效__每当张量在可分页内存中时__。
然而，在其他情况下，我们不能做出相同的假设：当张量放置在固定内存中时，在调用主机到设备传输后修改原始副本可能会损坏 GPU 上接收到的数据。类似地，当从 GPU 到 CPU，或从任何非 CPU 或 GPU 设备到任何非 CUDA 处理的 GPU 设备（例如 MPS）进行传输时，不能保证在没有显式同步的情况下 GPU 上读取的数据是有效的。
在这些场景中，这些传输无法保证在数据访问时复制会完成。因此，主机上的数据可能不完整或不正确，从而有效地使其成为垃圾数据。
让我们首先用固定内存张量演示这一点
DELAY = 100000000
try:
i = -1
for i in range(100):
# Create a tensor in pin-memory
cpu_tensor = torch.ones(1024, 1024, pin_memory=True)
torch.cuda.synchronize()
# Send the tensor to CUDA
cuda_tensor = cpu_tensor.to("cuda", non_blocking=True)
torch.cuda._sleep(DELAY)
# Corrupt the original tensor
cpu_tensor.zero_()
assert (cuda_tensor == 1).all()
print("No test failed with non_blocking and pinned tensor")
except AssertionError:
print(f"{i}th test failed with non_blocking and pinned tensor. Skipping remaining tests")
1th test failed with non_blocking and pinned tensor. Skipping remaining tests
使用可分页张量总是有效的
i = -1
for i in range(100):
# Create a tensor in pageable memory
cpu_tensor = torch.ones(1024, 1024)
torch.cuda.synchronize()
# Send the tensor to CUDA
cuda_tensor = cpu_tensor.to("cuda", non_blocking=True)
torch.cuda._sleep(DELAY)
# Corrupt the original tensor
cpu_tensor.zero_()
assert (cuda_tensor == 1).all()
print("No test failed with non_blocking and pageable tensor")
No test failed with non_blocking and pageable tensor
现在让我们演示 CUDA 到 CPU 也无法在没有同步的情况下生成可靠的输出
tensor = (
torch.arange(1, 1_000_000, dtype=torch.double, device="cuda")
.expand(100, 999999)
.clone()
)
torch.testing.assert_close(
tensor.mean(), torch.tensor(500_000, dtype=torch.double, device="cuda")
), tensor.mean()
try:
i = -1
for i in range(100):
cpu_tensor = tensor.to("cpu", non_blocking=True)
torch.testing.assert_close(
cpu_tensor.mean(), torch.tensor(500_000, dtype=torch.double)
)
print("No test failed with non_blocking")
except AssertionError:
print(f"{i}th test failed with non_blocking. Skipping remaining tests")
try:
i = -1
for i in range(100):
cpu_tensor = tensor.to("cpu", non_blocking=True)
torch.cuda.synchronize()
torch.testing.assert_close(
cpu_tensor.mean(), torch.tensor(500_000, dtype=torch.double)
)
print("No test failed with synchronize")
except AssertionError:
print(f"One test failed with synchronize: {i}th assertion!")
0th test failed with non_blocking. Skipping remaining tests
No test failed with synchronize
通常，只有当目标是启用 CUDA 的设备且原始张量在可分页内存中时，异步复制到设备才无需显式同步是安全的。
总而言之，使用 non_blocking=True 从 CPU 复制数据到 GPU 是安全的，但对于任何其他方向，仍然可以使用 non_blocking=True，但用户必须确保在访问数据之前执行设备同步。
实用建议#
现在我们可以根据我们的观察总结一些早期建议
通常，non_blocking=True 将提供良好的吞吐量，无论原始张量是否在固定内存中。如果张量已在固定内存中，传输可以加速，但从 Python 主线程手动将其发送到固定内存是一个阻塞操作，因此会大大抵消使用 non_blocking=True 的大部分好处（因为 CUDA 无论如何都会执行 pin_memory 传输）。
现在人们可能会合理地问，pin_memory() 方法有什么用处。在下一节中，我们将进一步探讨如何使用它来进一步加速数据传输。
其他注意事项#
PyTorch 提供了著名的 DataLoader 类，其构造函数接受 pin_memory 参数。考虑到我们之前关于 pin_memory 的讨论，您可能想知道如果内存固定本质上是阻塞的，DataLoader 如何设法加速数据传输。
关键在于 DataLoader 使用单独的线程来处理从可分页内存到固定内存的数据传输，从而防止主线程中出现任何阻塞。
为了说明这一点，我们将使用同名库中的 TensorDict 原语。当调用 to() 时，默认行为是异步将张量发送到设备，然后进行一次 torch.device.synchronize() 调用。
此外，TensorDict.to() 包含一个 non_blocking_pin 选项，该选项会启动多个线程来执行 pin_memory()，然后再继续执行 to(device)。这种方法可以进一步加速数据传输，如下例所示。
from tensordict import TensorDict
import torch
from torch.utils.benchmark import Timer
import matplotlib.pyplot as plt
# Create the dataset
td = TensorDict({str(i): torch.randn(1_000_000) for i in range(1000)})
# Runtimes
copy_blocking = timer("td.to('cuda:0', non_blocking=False)")
copy_non_blocking = timer("td.to('cuda:0')")
copy_pin_nb = timer("td.to('cuda:0', non_blocking_pin=True, num_threads=0)")
copy_pin_multithread_nb = timer("td.to('cuda:0', non_blocking_pin=True, num_threads=4)")
# Rations
r1 = copy_non_blocking / copy_blocking
r2 = copy_pin_nb / copy_blocking
r3 = copy_pin_multithread_nb / copy_blocking
# Figure
fig, ax = plt.subplots()
xlabels = [0, 1, 2, 3]
bar_labels = [
"Blocking copy (1x)",
f"Non-blocking copy ({r1:4.2f}x)",
f"Blocking pin, non-blocking copy ({r2:4.2f}x)",
f"Non-blocking pin, non-blocking copy ({r3:4.2f}x)",
]
values = [copy_blocking, copy_non_blocking, copy_pin_nb, copy_pin_multithread_nb]
colors = ["tab:blue", "tab:red", "tab:orange", "tab:green"]
ax.bar(xlabels, values, label=bar_labels, color=colors)
ax.set_ylabel("Runtime (ms)")
ax.set_title("Device casting runtime")
ax.set_xticks([])
ax.legend()
plt.show()
td.to('cuda:0', non_blocking=False): 388.1812 ms
td.to('cuda:0'): 310.3232 ms
td.to('cuda:0', non_blocking_pin=True, num_threads=0): 315.7487 ms
td.to('cuda:0', non_blocking_pin=True, num_threads=4): 301.2443 ms
在这个例子中，我们正在将许多大型张量从 CPU 传输到 GPU。这种情况非常适合利用多线程 pin_memory()，这可以显著提高性能。然而，如果张量很小，与多线程相关的开销可能会超过收益。同样，如果只有少量张量，将张量固定在单独线程上的优势也会受到限制。
此外，虽然在固定内存中创建永久缓冲区以在将张量传输到 GPU 之前将其从可分页内存中穿梭似乎很有优势，但此策略不一定会加快计算速度。将数据复制到固定内存所造成的固有瓶颈仍然是一个限制因素。
此外，将驻留在磁盘上（无论是在共享内存中还是文件中）的数据传输到 GPU 通常需要一个中间步骤，即将数据复制到固定内存（位于 RAM 中）。在这种情况下，对大量数据传输使用 non_blocking 会显著增加 RAM 消耗，可能导致不良影响。
在实践中，没有一劳永逸的解决方案。使用多线程 pin_memory 结合 non_blocking 传输的有效性取决于多种因素，包括特定系统、操作系统、硬件以及正在执行的任务的性质。以下是尝试加速 CPU 和 GPU 之间数据传输或比较不同场景下的吞吐量时需要检查的因素列表
可用核心数
有多少可用的 CPU 核心？系统是否与其他可能争夺资源的用户或进程共享？
核心利用率
CPU 核心是否被其他进程大量使用？应用程序是否在数据传输的同时执行其他 CPU 密集型任务？
内存利用率
当前使用了多少可分页和页锁定内存？是否有足够的空闲内存来分配额外的固定内存，而不会影响系统性能？请记住，没有什么是免费的，例如
pin_memory将消耗 RAM 并可能影响其他任务。CUDA 设备功能
GPU 是否支持多个 DMA 引擎用于并发数据传输？正在使用的 CUDA 设备的具体功能和限制是什么？
要发送的张量数量
典型操作中传输了多少个张量？
要发送的张量大小
正在传输的张量大小是多少？少量大型张量或大量小型张量可能无法从相同的传输程序中受益。
系统架构
系统架构如何影响数据传输速度（例如，总线速度、网络延迟）？
此外，在固定内存中分配大量张量或大型张量会占用大部分 RAM。这会减少其他关键操作（例如分页）的可用内存，从而可能对算法的整体性能产生负面影响。
结论#
在本教程中，我们探讨了影响张量从主机传输到设备时的传输速度和内存管理的几个关键因素。我们了解到，使用 non_blocking=True 通常会加速数据传输，并且如果正确实现，pin_memory() 也可以提高性能。然而，这些技术需要仔细设计和校准才能有效。
请记住，分析您的代码并密切关注内存消耗对于优化资源使用和实现最佳性能至关重要。
其他资源#
如果您在使用 CUDA 设备时遇到内存复制问题，或者想了解更多关于本教程中讨论的内容，请查看以下参考文献
脚本总运行时间：（1 分 2.547 秒）
