pytorch dataloader 默认支持异步预加载，关键在于num_workers>0且pin_memory=true；需注意跨平台spawn设置、dataset可序列化、prefetch_factor与内存平衡及worker异常排查。
PyTorch 的 DataLoader 默认就是异步的，但容易被误关
很多人以为要手动写多线程/协程才能“异步预加载”，其实 DataLoader 从设计上就支持后台数据准备——关键在 num_workers > 0 且 pin_memory=True。但常见错误是：训练脚本用了 if __name__ == '__main__': 却没加 torch.multiprocessing.set_start_method('spawn')（尤其 Windows/macOS），导致子进程卡死或报 RuntimeError: DataLoader worker (pid XXX) is killed by signal: Bus error。
实操建议：
-
num_workers不宜盲目设高：设为 CPU 核心数的 1–2 倍通常最优；超过 8 可能因进程调度开销反而变慢 - 必须配合
pin_memory=True（仅对 GPU 训练有效），否则数据从 pinned memory 拷贝到 GPU 的速度会打折扣 - 若用 Jupyter 或某些 IDE（如 PyCharm 的 debugger 模式），
num_workers > 0可能触发 fork 问题，临时改用num_workers=0排查，确认不是数据集__getitem__里的全局状态导致的崩溃
自定义 Dataset 里不能有不可序列化对象
当 num_workers > 0 时，每个 worker 进程会通过 pickle 复制 Dataset 实例。如果 __init__ 中存了文件句柄、数据库连接、torch.nn.Module、Lambda 函数等，就会报 AttributeError: Can't pickle local object 或直接静默失败。
实操建议：
- 所有耗资源的对象（如 OpenCV
cv2.VideoCapture、h5py 文件句柄）必须延迟到__getitem__内创建，并在函数退出前显式释放（cap.release()） - 避免在 Dataset 初始化时加载整个大数组到内存；改用索引式读取（例如用
np.memmap或 HDF5 的dataset[i]） - 若需共享只读状态（如归一化参数），用普通 Python 基础类型（
dict、tuple、numpy.ndarray）传递，别传torch.Tensor（它带 device 信息，pickle 行为不稳定）
prefetch_factor 控制预取缓冲区大小，不是越大越好
从 PyTorch 1.7 开始，DataLoader 加入 prefetch_factor 参数（默认 2），表示每个 worker 预取多少个 batch 到队列中。设太高会导致内存占用陡增，尤其当 batch size 大或图像分辨率高时，可能 OOM；设太低则 GPU 等待时间变长，利用率下降。
实操建议：
- 先用默认值（
prefetch_factor=2），再根据nvidia-smi观察 GPU 利用率波动：若常低于 60%，可尝试调到 3 或 4 - 注意该参数和
num_workers耦合：总预取 batch 数 =num_workers × prefetch_factor；比如 4 workers + 3 prefetch → 最多缓存 12 个 batch，务必确保主机内存 ≥ 12 × 单 batch 字节数 - 在内存受限环境（如 Colab 免费版），宁可降低
prefetch_factor甚至设为 1，也不要让系统开始 swap
验证是否真在异步预加载：看 GPU 利用率曲线和 worker 进程状态
光看训练速度提升不保险——可能只是 batch size 变大了。真正异步生效的表现是：GPU 利用率平稳（>85%），且 CPU 上有稳定数量的 python 子进程持续运行（ps aux | grep "python.*data"）。
实操建议：
- 用
torch.utils.data.get_worker_info()在__getitem__中打印 worker id，确认不同样本确实由不同进程处理（避免所有请求都落到同一个 worker） - 在训练循环中加
torch.cuda.synchronize()后测单 step 时间，排除 GPU 计算部分干扰，聚焦数据加载耗时 - 如果发现 worker 进程频繁重启，检查
__getitem__是否抛异常（如路径错、解码失败）——默认行为是 worker crash 后重建，但会拖慢整体节奏
真正卡点往往不在配置参数，而在 Dataset 的实现细节：一个没关闭的文件句柄、一次意外的 tensor.device 不一致、或者 numpy 随机种子没在每个 worker 里重置，都足以让异步变成假异步。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
