目標：優化代碼，利用多進程，進行近實時預處理、網絡預測及后處理：

本人嘗試了pytorch的multiprocessing，進行多進程同步處理以上任務。

from torch.multiprocessing import Pool,Manager

為了進行各進程間的通信，使用Queue，作為數據傳輸載體。

  manager = Manager()  input_queue = manager.Queue()  output_queue = manager.Queue()  show_queue = manager.Queue()

即將預處理進程處理后的圖像放進 input_queue，而網絡預測進程實時獲取 input_queue隊列中的數據，一旦放入，就從中取出，輸入網絡：

while 1：  input = input_queue.get()

同理，將網絡輸出放入output_queue，再由后處理進程實時獲取并進行后處理，處理后，放入show_queue

從而實現了多進程同步進行預處理、網絡預測及后處理，加速了網絡實時預測的表現。

問題及解決方案：

1. pytorch cuda報錯，re-initialization報錯問題：

習慣了在一開始將模型先加載進來放入gpu中，所以模型在主線程就完成了初始化，但是調用網絡是在網絡預測子進程進行的，就會導致跨進程重復初始化失敗。

解決方案：

直接在子進程開始時初始化，其他進程可以設置個延時，等網絡初始化好后再開始運行。

同理，數據輸入網絡也是同樣的在子進程進行。

2. python3多進程編程，子進程不報錯問題：

一開始總是代碼運行起來什么都不出現，就開始各種debug，但因為python3中子進程不報錯，出錯了就卡在那里，就每次自己找bug很麻煩，所以就急需子進程的報錯信息。

解決方案：

用try except組合，來打印子進程中某段程序錯誤，如下：

      try:        out = forward(input_img,model,1)      except Exception as error:        print(error)

3.進程完全不運行時，考慮是否是輸入設置的問題，即當單變量輸入時，后面要加都好，如：

pool.apply_async(load_frame,args=(input_queue,))

如果是pool.apply_async(load_frame,args=(input_queue))則該進程不會啟動運行。

4. 一開始想優化cv2.resize，想用gpu下的tensor的resize_代替，但發現這種方式和numpy.resize一脈相承啊，根本不是我們想要的resize，如果是變大的話，這種resize會直接按順序填，然后剩下的就填0，實在是太草率了。。。

解決方案：還沒有很好的替代方案，只找了一下，cuda::resize，但是好像貌似沒有python接口，要是混合編程好像有點小題大做，得不償失了。如果各位有較好的方案，歡迎指點迷津。

以上這篇pytorch多進程加速及代碼優化方法就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持武林網之家。