python - 模型训练时间较长

Question

我使用 PyTorch 在 VGG-16 模型中进行卷积后添加了一个 LSTM 层。随着时间的推移，模​​型学习得很好。然而，仅添加一层由 32 个 LSTM 单元组成的 LSTM 层后，训练和评估过程的时间就会延长约 10 倍。

我将 LSTM 层添加到 VGG 框架中，如下所示

def make_layers(cfg, batch_norm=False):
   # print("Making layers!")
    layers = []
    in_channels = 3
    count=0
    for v in cfg:
        count+=1
        if v == 'M':
            layers += [nn.MaxPool2d(kernel_size=2, stride=2)]
        else:
            conv2d = nn.Conv2d(in_channels, v, kernel_size=3, padding=1)
            if batch_norm:
                layers += [conv2d, nn.BatchNorm2d(v), nn.ReLU(inplace=True)]
            else:
                layers += [conv2d, nn.ReLU(inplace=True)]
                in_channels=v
        if count==5:
            rlstm =RLSTM(v)
            rlstm=rlstm.cuda()
            layers+=[rlstm]

RLSTM 是我的自定义类，它实现了来自 Google Pixel RNN 论文的 RowLSTM。

这是一个常见问题吗？一般来说，LSTM 层训练需要很长时间吗？

Answer 1

是的，由于 LSTM(以及许多其他 RNN)依赖于顺序输入信息，因此您会失去 CNN 通常具有的大部分并行化速度。您可以探索其他类型的 RNN，它们利用更多可并行化的算法，但与 LSTM/GRU 相比，它们的预测性能的结论尚未确定