在服务器上跑网络感觉很慢，尤其是几块显卡都有人在跑的时候，尝试在train_loader = DataLoader(train_data,batch_size=trainargs.batch_size,shuffle=True,num_workers=4) 设置num_workers=4,发现报错RuntimeError: Caught RuntimeError in DataLoader worker process。

于是网上搜答案，但却没找到能成功解决的。于是放弃，就让它这么慢吧。直到有一天，心有不甘，又试着解决，搜报错提示的另外一句话 RuntimeError: Cannot re-initialize CUDA in forked subprocess。

发现只要在程序最开始的地方加一句就可以了，而且训练速度确实更快，无比喜悦。

torch.multiprocessing.set_start_method(‘spawn’)

原文博客RuntimeError: Cannot re-initialize CUDA in forked subprocess解决方法之一，可能因为标题和我最开始搜的内容不一样，和第二次的一样，所以我到现在才搜到，因此这篇博客标题设置为我第一次搜的，希望大家早点解决。

另外，还看到一篇博客分析了网络训练慢的原因，讲的挺好的，大家可以看看。

深度学习PyTorch，TensorFlow中GPU利用率较低，CPU利用率很低，且模型训练速度很慢的问题总结与分析

下面这篇是关于num_workers工作原理的，我搜这篇，发现有另外一个排名很前的博主也发了一篇内容一样的，虽然是用图片的形式，但标原创就。。。

pytorch中num_workers详解