Python 长时间训练的模型

在使用Pytork对VGG-16模型进行卷积后，我添加了一个LSTM层。随着时间的推移，模特儿学得很好。然而，仅添加一个LSTM层（由32个LSTM单元组成）后，训练和评估过程将花费约10倍的时间

我将LSTM层添加到VGG框架中，如下所示

def make_layers(cfg, batch_norm=False):
   # print("Making layers!")
    layers = []
    in_channels = 3
    count=0
    for v in cfg:
        count+=1
        if v == 'M':
            layers += [nn.MaxPool2d(kernel_size=2, stride=2)]
        else:
            conv2d = nn.Conv2d(in_channels, v, kernel_size=3, padding=1)
            if batch_norm:
                layers += [conv2d, nn.BatchNorm2d(v), nn.ReLU(inplace=True)]
            else:
                layers += [conv2d, nn.ReLU(inplace=True)]
                in_channels=v
        if count==5:
            rlstm =RLSTM(v)
            rlstm=rlstm.cuda()
            layers+=[rlstm]

RLSTM是我的自定义类，它实现了RowlTM，来自Google的Pixel RNN paper

---

这是一个普遍的问题吗？LSTM层通常需要很长时间来训练吗？

是的，因为LSTM（和许多其他RNN）依赖于信息的顺序传送，所以您会失去CNN通常具有的大部分并行化速度提升。你可以探索其他类型的RNN，它们利用了更多的并行算法，但与LSTM/GRU相比，它们的预测性能还没有定论

我对这整件事还比较陌生：我了解RNN是如何连续的，但CNN的不同之处是什么，这使得它们可以并行化？假设你有序列1 2 3 4，你的CNN是一维的，滤波器大小为2-因此它会对输入（1,2）计算一些滤波器运算F；(2,3); （3,4）导致F（1,2）；F（2,3）；F（3,4）输出。请注意，所有这三个都可以同时计算（并行化）。在RNN上下文中，这个输出序列看起来像F（1）；F（F（1），2）；F(F(1,2,3);；F（F（F（F（1），2），3），4）-这里，每个连续的过滤器都依赖于前一个过滤器，使其连续。希望这有点道理