def same_seed(seed): 
    '''
    设置随机种子(便于复现)
    '''
    torch.backends.cudnn.deterministic = True
    torch.backends.cudnn.benchmark = False
    np.random.seed(seed)
    torch.manual_seed(seed)
    if torch.cuda.is_available():
        torch.cuda.manual_seed_all(seed)
    print(f'Set Seed = {seed}')

保存与加载的概念（序列化与反序列化）

torch.save / torch.load

如果模型是在 GPU 上训练的，但在 CPU 上加载，需要使用 map_location 参数将模型转移到 CPU 上。反之亦然。

torch.save 用于将 PyTorch 对象保存到磁盘文件中。它可以保存各种类型的对象，包括模型、张量、字典等。

torch.save(obj, f, pickle_module=pickle, pickle_protocol=None)

obj：要保存的对象，可以是模型、张量、字典等。
f：文件名或文件对象。
pickle_module：用于序列化的模块，默认为 pickle。
pickle_protocol：用于序列化的协议版本，默认为 pickle.HIGHEST_PROTOCOL。

torch.load 用于从磁盘文件中加载之前保存的 PyTorch 对象。

torch.load(f, map_location=None, pickle_module=pickle, **pickle_load_args)

f：文件名或文件对象。
map_location：一个函数或字典，用于指定如何映射存储位置。当从 GPU 加载到 CPU 时，通常设置为 lambda storage, loc: storage 或者 'cpu'。
pickle_module：用于反序列化的模块，默认为 pickle。
pickle_load_args：传递给 pickle.load 的关键字参数。

两种保存方式

设备兼容性：如果模型是在 GPU 上训练的，但在 CPU 上加载，需要使用 map_location 参数将模型转移到 CPU 上。反之亦然。

在 PyTorch 中，有两种常见的模型保存方式：一种是保存整个模型，另一种是仅保存模型的权重。这两种方式各有优缺点，适用于不同的场景。下面分别介绍这两种保存方式及其使用示例。

1. 保存整个模型
   保存整个模型意味着不仅保存模型的权重，还保存模型的结构以及其他相关信息。这种方式非常适合于需要完整复制模型的情况，例如模型部署或分享给他人。
2. 仅保存模型的权重
   仅保存模型的权重意味着只保存模型的参数，而不保存模型的结构。这种方式更灵活，因为你可以在加载权重时重新定义模型结构。这种方式适合于模型训练后需要在不同环境中部署的情况。

Finetune 模型微调

模型微调（Fine-tuning）是一种常见的机器学习技术，特别是在深度学习领域中，它允许我们利用预训练模型的知识来解决新的相关任务。通过微调，我们可以调整预训练模型的部分或全部参数以适应新任务的数据集。

基本概念

• 预训练模型：在大规模数据集上预先训练好的模型。
• 微调：在预训练模型的基础上，使用较小的新数据集进行额外的训练，以适应特定的任务。
• 冻结层：在微调过程中不更新某些层的权重，通常保留预训练模型的基础特征提取部分。
• 解冻层：允许更新某些层的权重，以适应新任务的需求。

传统微调（Conventional Fine-tuning）

• 加载预训练模型：选择一个在大规模数据集上预训练好的模型。
• 修改模型结构：根据新任务的需求，可能需要修改模型的输出层。
• 冻结部分层：为了保持预训练模型的基础特征不变，可以冻结一些层。
• 训练模型：使用新数据集对模型进行训练。
• 解冻层并再次训练：为了更好地适应新任务，可以选择解冻更多层并进行额外的训练。

参数高效的微调（Parameter-Efficient Fine-tuning）

• Adapter Layers：在预训练模型的每一层之间插入小型的适配器层，这些层会被微调，而原始模型的参数保持不变。
• Prefix Tuning：在模型的输入端附加一个可训练的前缀，这些前缀会被微调，而模型的其他部分保持不变。
• LoRA (Low-Rank Adaptation)：通过引入低秩矩阵来更新模型的权重，而不是直接更新所有权重。

GPU使用

CPU(central processing unit, 中央处理器)cpu主要包括两个部分，即控制器、运算器，除此之外还包括高速缓存等

GPU(Graphics Processing Unit, 图形处理器)是为处理类型统一并且相互无依赖的大规模数据运算，以及不需要被打断的纯净的计算环境为设计的处理器，因早期仅有图形图像任务中设计大规模统一无依赖的运算，因此该处理器称为图像处理器，俗称显卡。

绿色的是计算单元，橙红色的是存储单元，橙黄色的是控制单元，从示意图中看出，gpu的重点在计算，cpu的重点在控制，这就是两者之间的主要差异。

PyTorch的设备——torch.device

torch.device 的基本用法

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
# torch.device会根据系统是否支持CUDA（即是否有NVIDIA GPU及相应的驱动程序）来决定使用cuda（代表GPU）还是cpu。

创建 torch.device 实例：

• 通过字符串创建：torch.device(“cuda”) 或 torch.device(“cpu”)
• 通过字符串和设备编号的形式创建：torch.device(“cuda:0”) 或 torch.device(“cuda:1”) （如果你有多个 GPU）’

检查设备：

• 使用 device.type 获取设备类型（例如 “cuda” 或 “cpu”）。
• 使用 device.index 获取设备索引（如果指定了设备编号）。

将张量和模型移动到特定设备：

• 使用 .to(device) 方法将张量或模型移动到指定的设备上。
• 使用 .cuda() 或 .cpu() 方法也可以移动张量或模型，但推荐使用 .to() 方法，因为它更通用且易于理解。

torch.cuda常用函数

torch.cuda.is_available()
用途：检查当前系统是否支持 CUDA，并且 PyTorch 是否已编译为支持 CUDA。
torch.cuda.device_count()
用途：返回系统中可用的 GPU 数量。
torch.cuda.current_device()
用途：返回当前默认的 GPU 设备索引。
torch.cuda.set_device(device)
用途：设置当前默认的 GPU 设备索引。
torch.cuda.get_device_name(device=None)
用途：返回给定设备的名称。
torch.cuda.get_device_properties(device)
用途：返回给定设备的属性，包括最大共享内存、最大线程数等。
torch.cuda.memory_allocated(device=None)
用途：返回给定设备上已分配的内存总量。
torch.cuda.max_memory_allocated(device=None)
用途：返回给定设备上已分配的最大内存总量。
torch.cuda.memory_cached(device=None)
用途：返回给定设备上的缓存内存总量。
torch.cuda.max_memory_cached(device=None)
用途：返回给定设备上的最大缓存内存总量。
torch.cuda.empty_cache()
用途：释放缓存的内存，以便其他进程可以使用。
torch.cuda.synchronize(device=None)
用途：等待所有流中的所有 CUDA 操作完成。
torch.cuda.Stream(device=None)
用途：创建一个新的 CUDA 流对象。
torch.cuda.Event(enable_timing=False, blocking=False)
用途：创建一个新的 CUDA 事件对象，可以用来记录时间点和同步流。
torch.cuda.nvtx.range_push(message)
用途：开始一个 NVTX 范围，用于性能分析。
torch.cuda.nvtx.range_pop()
用途：结束最近开始的 NVTX 范围。
torch.cuda.nvtx.range(message)
用途：创建一个上下文管理器，用于自动开始和结束 NVTX 范围。

多gpu训练——nn.DataParallel

torch.nn.DataParallel 是 PyTorch 中的一个类，用于实现数据并行处理，使得模型可以在多个 GPU 上并行运行。

torch.nn.DataParallel(module, device_ids=None, output_device=None, dim=0)

module：

• 类型：torch.nn.Module
• 描述：要并行化的模型模块。

device_ids：

• 类型：list of int or None
• 默认值：None
• 描述：指定要在哪些 GPU 上并行化模型。如果为 None，则默认使用所有可用的 GPU。

output_device：

• 类型：int or None
• 默认值：None
• 描述：指定输出结果所在的设备。如果为 None，则默认为 device_ids[0]。

dim：

• 类型：int
• 默认值：0
• 描述：指定在哪个维度上拆分输入数据。通常情况下，使用默认值 0 即可，这意味着按批次拆分数据。

torchmetrics 模型评估指标库

TorchMetrics代码结构

torchmetrics 的代码结构设计得非常模块化和易于扩展，以支持各种类型的评估指标。

核心组件

Metric 类 (torchmetrics.Metric)

描述：这是所有指标类的基础类，提供了通用的功能，如状态管理、更新和计算逻辑。
关键方法：

• _init_: 初始化方法，定义了状态变量。
• update: 接收预测和目标数据，并更新内部状态。
• compute: 基于内部状态计算指标值。

Task-specific Metrics

描述：针对不同任务的指标，如分类、回归、推荐系统等。
示例：

torchmetrics.classification: 包含分类任务的指标，如 Accuracy, Precision, Recall, F1Score 等。
torchmetrics.regression: 包含回归任务的指标，如 MeanSquaredError, MeanAbsoluteError, R2Score 等。
torchmetrics.retrieval: 包含推荐系统任务的指标，如 HitRate, MeanAveragePrecision, NormalizedDiscountedCumulativeGain 等。

Composite Metrics

描述：可以组合多个指标，以便一次计算多个指标。
示例：

torchmetrics.MetricCollection: 可以组合多个指标，并一次性更新和计算它们。

TorchEnsemble 模型集成库

BaggingClassifier

描述：基于 Bagging（自助法）的分类集成模型。
用途：适用于分类任务，通过多次从训练集中有放回地抽样来构建多个基模型，然后将它们的预测结果进行投票或平均。

BaggingRegressor

描述：基于 Bagging 的回归集成模型。
用途：适用于回归任务，同样通过多次从训练集中有放回地抽样来构建多个基模型，然后将它们的预测结果进行平均。

GradientBoostingClassifier

描述：基于梯度提升的分类集成模型。
用途：适用于分类任务，通过逐步添加新的基模型来修正现有模型的错误，从而提高整体性能。

GradientBoostingRegressor

描述：基于梯度提升的回归集成模型。
用途：适用于回归任务，采用类似的方法逐步添加新的基模型来改进预测。

StackingClassifier

描述：基于 Stacking 的分类集成模型。
用途：适用于分类任务，通过使用多个基模型的输出作为特征来训练一个元模型，从而进行最终的预测。

StackingRegressor

描述：基于 Stacking 的回归集成模型。
用途：适用于回归任务，采用类似的方法使用多个基模型的输出作为特征来训练一个元模型。

nvidia-smi详解

nvidia-smi 是 NVIDIA 提供的一款命令行工具，用于监控和管理 NVIDIA GPU 的状态和性能。这个工具可以提供关于 GPU 的实时信息，包括但不限于温度、功耗、显存使用情况、驱动版本等，非常适用于诊断、优化和管理 GPU 资源。

基础用法

nvidia-smi 显示所有 GPU 的概览信息，包括 GPU 名称、GPU ID、PCI Bus ID、GPU 温度、风扇速度、显存使用情况、GPU 利用率等。

详细查询

nvidia-smi --help 显示所有可用的命令行选项。
nvidia-smi --query-gpu=memory.used,memory.total 查询每个 GPU 的显存使用量和总显存。
nvidia-smi --query-gpu=gpu_name,driver_version 查询 GPU 名称和驱动版本。
nvidia-smi --query-gpu=temperature.gpu 查询 GPU 当前的温度。
nvidia-smi --query-gpu=utilization.gpu 查询 GPU 的利用率。

输出格式控制

nvidia-smi --format=csv 将输出格式化为 CSV 格式，方便导入到电子表格或其他数据分析工具中。
nvidia-smi --format=csv,noheader 输出 CSV 格式的数据，不包含列头。

高级功能

nvidia-smi -l 5 设置刷新频率为每 5 秒一次，持续输出 GPU 的状态信息，直到手动停止。
nvidia-smi -i 0 仅显示指定 GPU ID 的 GPU 的信息，例如这里显示的是 GPU ID 为 0 的 GPU。
nvidia-smi -c 显示 GPU 的计算模式，这决定了 GPU 是否可以同时运行多个进程。
其他选项
nvidia-smi -q 显示详细的 GPU 信息，包括 PCI 信息、BIOS 版本、时钟速率等。
nvidia-smi -ac 1000,1000 设置 GPU 的应用程序时钟（App Clocks），第一个值是图形时钟，第二个值是显存时钟。
nvidia-smi -pm 1 启用 GPU 的性能模式，允许 GPU 达到更高的时钟速率。

示例

GPU：本机中的GPU编号，从0开始，上图为0，1，2，3四块GPU
Fan：风扇转速（0%-100%），N/A表示没有风扇
Name：GPU名字/类型，上图六块均为Tesla T4
Temp：GPU温度（GPU温度过高会导致GPU频率下降）
Perf：性能状态，从P0（最大性能）到P12（最小性能），上图均为P0
Pwr：Usager/Cap：GPU功耗，Usage表示用了多少，Cap表示总共多少
TCC/WDDM：指示 GPU 设备的工作模式，“TCC” 表示 TCC 模式（计算模式），“WDDM” 表示 WDDM 模式（图形模式）。TCC 模式用于计算任务，而 WDDM 模式用于图形显示。
Bus-Id：GPU总线
Disp.A：Display Active，表示GPU是否初始化
Memory-Usage：显存使用率
Volatile GPU-UTil：GPU使用率，与显存使用率的区别可参考显存与GPU
Uncorr. ECC：是否开启错误检查和纠错技术，0/DISABLED，1/ENABLED，上图均为N/A
Compute M：计算模式，0/DEFAULT，1/EXCLUSIVE_PROCESS，2/PROHIBITED，上图均为Default
Processes：显示每个进程占用的显存使用率、进程号、占用的哪个GPU

显存与GPU的区别

显存（Video Memory 或 VRAM）与 GPU（Graphics Processing Unit）是构成现代显卡的两个重要组成部分，它们各自承担着不同的角色，共同协作以提供图形处理能力。
GPU（图形处理器）
定义： GPU 是一种专门设计用于处理图形相关计算的微处理器。它拥有大量的并行处理单元，可以同时执行多个计算任务，非常适合处理图像渲染、视频解码、物理模拟、机器学习等高度并行化的任务。
作用： GPU 主要负责执行复杂的图形算法，如像素着色、顶点变换、纹理映射、光线追踪等，以生成高质量的视觉效果。此外，现代 GPU 还被广泛应用于通用计算领域（GPGPU），如科学计算、深度学习、加密货币挖矿等。
架构： GPU 架构通常包含多个流处理器（Streaming Multiprocessors，SMs）或计算单元（Compute Units，CUs），每个单元内包含多个 ALU（算术逻辑单元）和 FPUs（浮点单元），用于并行计算。
显存（VRAM）
定义： 显存是显卡上的专用存储器，用于存储 GPU 处理所需的图形数据，如顶点数据、纹理、帧缓冲区、中间计算结果等。
作用： 显存提供了 GPU 快速访问数据的能力，避免了频繁访问系统内存所带来的延迟。显存的带宽和容量直接影响到 GPU 的性能表现，尤其是当处理高分辨率、高细节的游戏或专业图形应用时。
类型： 显存可以有不同的类型，如 GDDR5、GDDR6、HBM2 等，它们具有不同的带宽和延迟特性。显存的位宽和频率也会影响其带宽，进而影响 GPU 的数据吞吐量。
总结
GPU 是执行图形和计算任务的处理器，而 显存 是存储 GPU 执行任务所需数据的存储器。
GPU 的性能取决于其架构、核心数量、频率等因素；显存 的性能则由其类型、容量、带宽决定。
GPU 和 显存 需要协同工作，GPU 从显存中读取数据，处理后可能将结果写回显存，因此两者之间的通信效率对整体性能至关重要。

参考：https://tingsongyu.github.io/PyTorch-Tutorial-2nd/chapter-7/
参考：https://pytorch-cn.readthedocs.io/zh/latest/
参考：https://datawhalechina.github.io/thorough-pytorch/