本文介绍了在PyTorch中如何通过torch.backends.cudnn.benchmark设置来优化CUDA性能。当输入数据变化不大时，开启此标志能提升运行效率。然而，若每次迭代输入数据都不同，这可能导致性能下降。同时，cudnn.deterministic=True确保在确定的随机种子下，卷积操作结果始终一致，以保证模型训练的可重复性。
benchmark 基准
deterministic 确定的
torch.backends.cudnn.benchmark=true
设置这个 flag 可以让内置的 cuDNN 的 auto-tuner 自动寻找最适合当前配置的高效算法，来达到优化运行效率的问题。
- 如果网络的输入数据维度或类型上变化不大，设置 torch.backends.cudnn.benchmark = true 可以增加运行效率；
- 如果网络的输入数据在每次 iteration 都变化的话，会导致 cnDNN 每次都会去寻找一遍最优配置，这样反而会降低运行效率。
当随机数种子seed确定时，每次返回的卷积算法将是确定的，模型的训练结果将始终保持一致。
cudnn.deterministic = True
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
