Pytorch 为什么在Pytork中打印GPU张量的值需要这么长时间？
我写了这个pytorch程序来计算GPU上的5000*5000矩阵乘法，100次迭代Pytorch 为什么在Pytork中打印GPU张量的值需要这么长时间？,pytorch,nvidia,Pytorch,Nvidia,我写了这个pytorch程序来计算GPU上的5000*5000矩阵乘法，100次迭代 import torch import numpy as np import time N = 5000 x1 = np.random.rand(N, N) ######## a 5000*5000 matrix multiplication on GPU, 100 iterations ####### x2 = torch.tensor(x1, dtype=torch.float32).to("
import torch
import numpy as np
import time
N = 5000
x1 = np.random.rand(N, N)
######## a 5000*5000 matrix multiplication on GPU, 100 iterations #######
x2 = torch.tensor(x1, dtype=torch.float32).to("cuda:0")
start_time = time.time()
for n in range(100):
G2 = x2.t() @ x2
print(G2.size())
print("It takes", time.time() - start_time, "seconds to compute")
print("G2.device:", G2.device)
start_time2 = time.time()
# G4 = torch.zeros((5,5),device="cuda:0")
G4 = G2[:5, :5]
print("G4.device:", G4.device)
print("G4======", G4)
# G5=G4.cpu()
# print("G5.device:",G5.device)
print("It takes", time.time() - start_time2, "seconds to transfer or display")
- pytorch 1.0.0
- CUDA 8.0
- Nvidia GeForce GT 730m
- Windows 10专业版
当增加迭代次数时，计算时间没有明显增加，但传输或显示明显增加，为什么？有人能解释吗，非常感谢。Pytorch CUDA操作是异步的。在请求导出结果之前，GPU张量上的大多数操作实际上是非阻塞的。这意味着，在您要求使用CPU版本的张量之前，像矩阵乘法这样的命令基本上是与您的代码并行处理的。当您停止计时器时，无法保证操作已完成。你可以阅读更多关于这方面的内容
要正确计时代码块，您应该将调用添加到。这个函数应该调用两次，一次在启动计时器之前，一次在停止计时器之前。在分析代码之外，您应该避免调用此函数，因为它可能会降低总体性能。Pytorch CUDA操作是异步的。在请求导出结果之前，GPU张量上的大多数操作实际上是非阻塞的。这意味着，在您要求使用CPU版本的张量之前，像矩阵乘法这样的命令基本上是与您的代码并行处理的。当您停止计时器时，无法保证操作已完成。你可以阅读更多关于这方面的内容
要正确计时代码块，您应该将调用添加到。这个函数应该调用两次，一次在启动计时器之前，一次在停止计时器之前。在分析代码之外，您应该避免调用此函数，因为它可能会降低整体性能。检查此检查此检查是指在我的代码循环中计算尚未完成，直到显示结果或将值从GPU复制到CPU为止，是的，这就是它的意思。这意味着计算在我的代码循环中还没有完成，直到显示结果或将值从GPU复制到CPU为止，是的，这就是它的意思。