LCCFlccf的博客

问题描述：最近在训练说话人识别模型x-vector时，在网络结构中，将frame-level特征进行 statistics pooling前给TDNN输出的特征添加随机噪声以提高模型的性能，但踩了个坑导致训练效率非常低，用nvidia-smi命令查看GPU的效率，时而100%时而0%，这其中肯定有问题。通过排查发现不是数据加载的问题，而是模型定义的问题。下面详细分析。模型定义的代码如下：class xvecTDNN(nn.Module): def __init__(self, numSpks, p_

在pytorch上使用多个GPU（在同一台设备上，并非分布式）进行训练是件非常容易的事情，只要在源代码中添加（修改）两行代码即可。下面贴上官方教程给的示例代码。官方tutorial把模型放在GPU上:device = torch.device("cuda:0")model.to(device)将tensor复制到GPU上mytensor = my_tensor.to(device)...