注意
单击此处下载完整的示例代码
PyTorch 中 non_blocking 和 pin_memory() 的良好用法指南¶
创建于：2024 年 7 月 31 日 | 最后更新：2024 年 8 月 1 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 至关重要。用户必须了解在设备之间移动数据的最有效工具和选项。本教程研究了 PyTorch 中设备到设备数据传输的两种关键方法：pin_memory() 和 to() 以及 non_blocking=True 选项。
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，有一些重要的注意事项
使用
tensor.pin_memory().to(device, non_blocking=True)可能比直接使用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()可以正确执行，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受用于构建本教程的系统的限制。尽管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，尤其是在较旧的硬件上。本教程的主要目的是为理解 CPU 到 GPU 数据传输提供理论框架。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。如果您的环境中还没有 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，然后转向这些功能的具体测试示例。
背景¶
内存管理基础知识¶
当在 PyTorch 中创建一个 CPU 张量时，此张量的内容需要放置在内存中。我们在此处谈论的内存是一个相当复杂的概念，值得仔细研究。我们区分由内存管理单元处理的两种类型的内存：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驱动器）。磁盘和 RAM（物理内存）中的可用空间共同构成了虚拟内存，它是可用总资源的抽象。简而言之，虚拟内存使可用空间大于 RAM 中单独找到的空间，并创建主内存大于实际大小的错觉。
在正常情况下，常规 CPU 张量是可分页的，这意味着它被划分为称为页面的块，这些页面可以位于虚拟内存中的任何位置（RAM 或磁盘中）。如前所述，这具有内存看起来比主内存实际更大的优点。
通常，当程序访问不在 RAM 中的页面时，会发生“页面错误”，然后操作系统 (OS) 将此页面带回 RAM（“换入”或“页面调入”）。反过来，操作系统可能必须换出（或“页面调出”）另一个页面，以便为新页面腾出空间。
与可分页内存相反，固定（或页面锁定或不可分页）内存是一种无法换出到磁盘的内存类型。它可以实现更快、更可预测的访问时间，但缺点是它比可分页内存（又名主内存）更受限制。
CUDA 和（非）分页内存¶
为了理解 CUDA 如何将张量从 CPU 复制到 CUDA，让我们考虑以上两种情况
如果内存是页面锁定的，则设备可以直接访问主内存中的内存。内存地址是明确定义的，并且需要读取这些数据的功能可以显着加速。
如果内存是可分页的，则所有页面都必须先调入主内存，然后才能发送到 GPU。此操作可能需要时间，并且不如在页面锁定张量上执行时那样可预测。
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面锁定副本，然后再进行传输。
使用 non_blocking=True 的异步与同步操作 (CUDA cudaMemcpyAsync)¶
当执行从主机（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方式。
实际上，当调用 to() 时，PyTorch 始终调用 cudaMemcpyAsync。如果 non_blocking=False（默认），则在每个 cudaMemcpyAsync 之后调用 cudaStreamSynchronize，使对 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被阻塞。因此，从主机的角度来看，可以同时将多个张量发送到设备，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
一般来说，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。但是，在某些高级场景中，可以在 GPU 端同时完成复制和内核执行。正如以下示例所示，必须满足三个要求才能实现此目的
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，可以使用
Stream处理 cuda 流。源数据必须位于固定内存中。
我们通过在以下脚本上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 后执行 t3_cuda 上的算术运算时会发生什么情况
benchmark_with_profiler(streamed=False, pinned=False)
使用固定张量不会对跟踪产生太大变化，两个操作仍然连续执行
benchmark_with_profiler(streamed=False, pinned=True)
在单独的流上将可分页张量发送到 GPU 也是阻塞操作
benchmark_with_profiler(streamed=True, pinned=False)
只有固定张量复制到 GPU 上的单独流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张量并将其发送到页面锁定内存的可能性。在 CUDA 已初始化的计算机上，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：它将等待张量被复制到页面锁定内存，然后再执行下一个操作。可以使用 zeros()、ones() 和其他构造函数等函数直接在固定内存中创建新张量。
让我们检查固定内存并将张量发送到 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'): 0.4688 ms
pinned_tensor.to('cuda:0'): 0.3729 ms
pageable_tensor.pin_memory(): 0.3623 ms
pageable_tensor.pin_memory().to('cuda:0'): 0.7267 ms
我们可以观察到，将固定内存张量转换为 GPU 的速度确实比可分页张量快得多，因为在底层，可分页张量必须先复制到固定内存，然后再发送到 GPU。
但是，与某种普遍的看法相反，在将可分页张量转换为 GPU 之前对其调用 pin_memory() 不应带来任何显着的加速，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 在将数据从主机复制到设备之前无论如何都会执行的操作。
注意
PyTorch 中 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，它可能比像 cudaMemcpy 那样分块转换数据更快。同样，这里的观察结果可能会因可用硬件、发送的张量大小或可用 RAM 量而异。
non_blocking=True¶
如前所述，许多 PyTorch 操作都可以通过 non_blocking 参数相对于主机异步执行。
在这里，为了准确说明使用 non_blocking 的好处，我们将设计一个稍微复杂的实验，因为我们想评估在调用和不调用 non_blocking 的情况下，将多个张量发送到 GPU 的速度有多快。
# 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): 26.9607 ms
copy_to_device_nonblocking(*tensors): 19.6101 ms
为了更好地了解这里发生的事情，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 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 3.74% 1.203ms 100.00% 32.181ms 32.181us 1000
aten::_to_copy 13.68% 4.402ms 96.26% 30.978ms 30.978us 1000
aten::empty_strided 24.77% 7.970ms 24.77% 7.970ms 7.970us 1000
aten::copy_ 18.44% 5.934ms 57.82% 18.605ms 18.605us 1000
cudaMemcpyAsync 17.62% 5.669ms 17.62% 5.669ms 5.669us 1000
cudaStreamSynchronize 21.76% 7.003ms 21.76% 7.003ms 7.003us 1000
------------------------- ------------ ------------ ------------ ------------ ------------ ------------
Self CPU time total: 32.181ms
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 4.68% 1.123ms 99.90% 23.996ms 23.996us 1000
aten::_to_copy 17.47% 4.196ms 95.22% 22.873ms 22.873us 1000
aten::empty_strided 32.60% 7.831ms 32.60% 7.831ms 7.831us 1000
aten::copy_ 22.05% 5.297ms 45.15% 10.846ms 10.846us 1000
cudaMemcpyAsync 23.10% 5.549ms 23.10% 5.549ms 5.549us 1000
cudaDeviceSynchronize 0.10% 24.911us 0.10% 24.911us 24.911us 1
------------------------- ------------ ------------ ------------ ------------ ------------ ------------
Self CPU time total: 24.021ms
Call to `to(device, non_blocking=True)` None
毫无疑问，使用 non_blocking=True 的结果更好，因为所有传输都在主机端同时启动，并且仅完成一次同步。
好处将根据张量的数量和大小以及所使用的硬件而有所不同。
注意
有趣的是，阻塞 to("cuda") 实际上执行与 non_blocking=True 相同的异步设备转换操作 (cudaMemcpyAsync)，并在每次复制后都有一个同步点。
协同效应¶
现在我们已经指出了将已固定在内存中的张量的数据传输到 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，这些函数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
对于较大批次的大张量，使用 pin_memory() 的好处更加明显
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): 612.0971 ms
copy_to_device_nonblocking(*tensors): 537.7727 ms
copy_to_device(*tensors_pinned): 374.0692 ms
copy_to_device_nonblocking(*tensors_pinned): 347.7238 ms
pin_copy_to_device(*tensors): 968.0525 ms
pin_copy_to_device_nonblocking(*tensors): 647.8676 ms
其他复制方向（GPU -> CPU、CPU -> MPS）¶
到目前为止，我们一直在异步复制从 CPU 到 GPU 是安全的假设下运行。这通常是正确的，因为 CUDA 会自动处理同步，以确保在读取时访问的数据有效。但是，此保证不适用于相反方向的传输，即从 GPU 到 CPU 的传输。如果没有显式同步，这些传输不能保证在数据访问时复制完成。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
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
相同的注意事项适用于从 CPU 复制到非 CUDA 设备（如 MPS）的情况。通常，仅当目标是启用 CUDA 的设备时，异步复制到设备才是安全的，而无需显式同步。
总而言之，当使用 non_blocking=True 时，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。
实践建议¶
现在我们可以根据我们的观察总结一些早期建议
一般来说，无论原始张量是否在固定内存中，non_blocking=True 都将提供良好的吞吐量。如果张量已在固定内存中，则可以加速传输，但是从 python 主线程手动将其发送到固定内存是主机上的阻塞操作，因此将消除使用 non_blocking=True 的大部分好处（因为 CUDA 无论如何都会进行 pin_memory 传输）。
现在有人可能会合理地问，pin_memory() 方法有什么用处。在以下部分中，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 众所周知地提供了一个 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将数据从可分页内存传输到固定内存，从而防止主线程中的任何阻塞。
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，默认行为是将张量异步发送到设备，然后在之后进行一次 torch.device.synchronize() 调用。
此外，TensorDict.to() 包括一个 non_blocking_pin 选项，该选项启动多个线程以在继续执行 to(device) 之前执行 pin_memory()。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): 622.4414 ms
td.to('cuda:0'): 546.2743 ms
td.to('cuda:0', non_blocking_pin=True, num_threads=0): 664.7217 ms
td.to('cuda:0', non_blocking_pin=True, num_threads=4): 358.8236 ms
在本示例中，我们将许多大型张量从 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。但是，如果张量很小，则与多线程相关的开销可能会超过其带来的好处。同样，如果只有少量张量，则在单独线程上固定张量的优势也会受到限制。
另请注意，虽然在固定内存中创建永久缓冲区以在将张量传输到 GPU 之前先从可分页内存中转运张量似乎很有利，但此策略不一定会加快计算速度。将数据复制到固定内存中造成的固有瓶颈仍然是一个限制因素。
此外，将磁盘（无论是在共享内存还是文件中）上的数据传输到 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，对大型数据传输使用 non_blocking 可能会显著增加 RAM 消耗，并可能导致不利影响。
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 之间的数据传输或比较不同场景的吞吐量时需要检查的因素列表
可用核心数
有多少 CPU 核心可用？系统是否与其他用户或进程共享，这些用户或进程可能会争夺资源？
核心利用率
CPU 核心是否被其他进程大量占用？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
当前正在使用多少可分页和页锁定内存？是否有足够的可用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 是否支持用于并发数据传输的多个 DMA 引擎？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
在典型操作中传输多少个张量？
要发送的张量大小
正在传输的张量的大小是多少？少量大型张量或许多小型张量可能无法从相同的传输程序中获益。
系统架构
系统的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尺寸张量可能会占用大量 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，我们探讨了在将张量从主机发送到设备时影响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，并且如果正确实施，pin_memory() 也可以提高性能。但是，这些技术需要仔细的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并实现最佳性能至关重要。
