Pytorch ddp多卡训练踩坑(2)

复现多卡训练项目经常会遇到一些匪夷所思的问题，包括但不限于numpy<1.2.0 && numpy>=1.2.0，OSError: [Errno 12]。以下给出尽可能"少犯错"的几个步骤：

• 拿到一个项目，首先检查包依赖(如requirements.txt)，如果使用conda管理虚拟环境，建议每个项目都创建一个env，conda一般会存有各个包的cache，所以不用担心重新搭建一个环境的时间成本；如果作者提供了docker，优先使用docker

• 有些包会存在历史依赖，最经典的是numpy.float/numpy.int在numpy>=1.2.0后弃用，而有些包如boundary-iou还是沿用了旧版本的写法，所以遇到这种情况直接对着报错改包就行(如np.float->np.float64)，当然也可以尝试版本回退

• 对于深度学习项目，如果允许先拿一张卡跑，因为多卡多进程debug信息很难处理

• 对于dataloader，统一先设置num_workers=0，有时候线程过多也会导致错误(例如共享内存shm不足导致的bus error)，另外windows下跑项目我记得这个值必须为0

• batch_size_per_GPU=1有时候很有用，特别是对网络大小没什么概念的时候(当然这个也是最好debug的了，谁会不懂OOM呢[哭])

• 多卡训练debug比较麻烦，网上有很多Vscode/Pycharm方案，这里给一个最原始的pdb注入方式，一般可以处理除了IPC以外的大部分错误了,在想要打断点的地方插入这两行代码即可，调试方式跟gdb差不多

  import pdb
  pdb.set_trace()

剩下的以后想到再补充~