在走這段代碼的時候報錯了，記錄一下我的調試過程，感覺有個思路來走就挺好的。
- 1、報錯與解決
文件名字：ClassifierTest.py
import torch import torchvision import torchvision.transforms as transforms from torchTest import imgShow transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))]) trainset = torchvision.datasets.CIFAR10(root='Resources/CIFAR10', # 存放路徑 #！！/Resources/CIFAR10是絕對路徑，C:\Resources\CIFAR10 train=True, download=True, # 是否下載訓練集 transform=transform) # 圖片轉換 trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True, num_workers=2) testset = torchvision.datasets.CIFAR10(root='Resources/CIFAR10', train=False, download=True, transform=transform) testloader = torch.utils.data.DataLoader(testset, batch_size=4, shuffle=False, num_workers=2) classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck') dataIter = iter(trainloader) images, labels = dataIter.next() imgShow.imshow(torchvision.utils.make_grid(images)) print(' '.join(classes[labels[j]] for j in range(4)))
報錯
This probably means that you are not using fork to start your
child processes and you have forgotten to use the proper idiom
in the main module:
if __name__ == '__main__':
freeze_support()
...
The "freeze_support()" line can be omitted if the program
is not going to be frozen to produce an executable.
關於這個報錯，涉及線程問題，改num_workers=0，當然就么事沒有，然而，作為一個優秀的程序員，能止步於此嗎，不行的。
我百度了一下報錯情況，找到這樣的解決方案，是可行：
def main(): transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))]) trainset = torchvision.datasets.CIFAR10(root='Resources/CIFAR10', # 存放路徑，注：/Resources/CIFAR10是絕對路徑，C:\Resources\CIFAR10 train=True, download=True, # 是否下載訓練集 transform=transform) # 圖片轉換 trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True, num_workers=2) testset = torchvision.datasets.CIFAR10(root='Resources/CIFAR10', train=False, download=True, transform=transform) testloader = torch.utils.data.DataLoader(testset, batch_size=4, shuffle=False, num_workers=2) classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck') dataIter = iter(trainloader) images, labels = dataIter.next() imgShow.imshow(torchvision.utils.make_grid(images)) print(' '.join(classes[labels[j]] for j in range(4))) if __name__=='__main__': #不加這句就會報錯 main()
- 2、為什么是main？
整段放在main里面，就安全了——為什么呢？
對於python編程我還是萌新，實在想不明白加個__name__=='__main__'判斷有什么魅力。
| 關於__name__屬性： 作為啟動腳本，它模塊的__name__都是__main__。 此句主要作用在於有時候import，不想運行引用模塊中某些語句的時候，以啟動模塊的名字作為區別。 |
報錯的位置在這里：
C:\Users\13723\AppData\Local\Programs\Python\Python39\Lib\multiprocessing\spawn.py
def _check_not_importing_main():
if getattr(process.current_process(), '_inheriting', False):
raise RuntimeError('''
An attempt has been made to start a new process before the
current process has finished its bootstrapping phase...''')
| getattr(實例, 屬性名字, 默認值) 如果有屬性，取True，否則取默認值，沒有默認值則取False。 |
_inheriting，查找當前程序的可繼承性？沒用過，筆者不知道呢。
看不懂（下文有解），只能從方法名字入手，它走這一段為了什么——
檢查是不是源自__main__模塊，即程序不讓由執行腳本import的模塊走這一段。
我跑ClassifierTest.py（進程pid1），它在走到
dataIter = iter(trainloader)
里面，由其他模塊，再導入了一次ClassifierTest.py（此時是進程pid2）
而當增加判斷 __name__==’__main__’，就避免模塊陷入執行的死循環。
- 3、為什么多一個進程？
3.1 現象
為什么會多一個進程，num_workers=2，此句是一個進程兩個線程worker，還是兩個進程worker呢？
我很奇怪，為什么不是開線程，而是開進程這么個重量級東西。
雖然叫做process，但它應該只干一個事情——畢竟進程的重量級要大於線程。
3.2 線程與進程
這個時候就很糾結線程和進程的區別了，
（參考：https://www.zhihu.com/question/25532384）
線程是cpu執行的時間段顆粒，
進程保存上下文，cpu切進進程里面讀取上下文（寄存器、指令內容之類）。
這樣看來，如果進程是倉庫，線程就是倉庫里面的機器人，等待CPU來靈魂激活。但是在一個倉庫里面工作，必然比在多個倉庫里面工作要省事。
所以為什么要開多進程呢？
一個莫名的靈感，讓我查了一下fork()，
（參考：https://www.cnblogs.com/liyuan989/p/4279210.html）
| 因為進程、線程是windows系統的概念，unix中只有進程的說法。 在windows當中，進程是資源管理的最小單位，而線程是程序執行的最小單位。 fork創建的一個子進程幾乎但不完全與父進程相同。 子進程得到與父進程用戶級虛擬地址空間相同的（但是獨立的）一份拷貝， 包括文本、數據和bss段、堆以及用戶棧等。 子進程還獲得與父進程任何打開文件描述符相同的拷貝， 這就意味着子進程可以讀寫父進程中任何打開的文件，父進程和子進程區別在於它們有着不同的PID。 |
fork 意為分支，分支與父進程幾乎一樣的子進程。子進程區別於父進程，兩者有不同的pid，但二者的引用均指向相同的地址。
話雖如此，Python里面確實是包含threading，和process模塊，那為什么選擇process更好？
（參考：https://zhuanlan.zhihu.com/p/20953544）
一個進程，有一個全局鎖GIL（Global Interpreter Lock），此設定是為了數據安全。
線程執行時，先獲取GIL，執行代碼直到sleep或掛起，釋放GIL。
所以多線程執行，其實僅是宏觀時間上處理多任務，微觀時間上仍是順序處理。
而每個進程有各自獨立的GIL，互不干擾，多進程才能在真正意義上實現並行執行（多核CPU同時做多個任務，程序在微觀時間上同時執行）。
3.3 Python中，worker是進程
為什么會再讀一次ClassifierTest.py，從堆棧看，是這里：
（注，以下截圖可能取自不同次調試，所以父pid會不同）
走了 exec(code, run_globals) 導致再此導入 ClassifierTest.py 。
再往前走frame not available，也即IDE只能看到spawn_main函數。
（spawn應該就是孵化了，孵化進程的，還挺有蛇下蛋的感覺）
更之前的調用情況沒有了，可以猜是不是新進程直接調用spawn_main了，那就找spawn_main引用。
（可能pyCharm我還沒get靈魂用法，spawn_main引用我是用notepad++查找全局的）
Python39\Lib\multiprocessing\popen_spawn_win32.py
前后呼應：
在查看堆棧的過程中，恰巧看到了_inheriting的賦值：
堆棧可以看到對_inheriting賦值，此時就很明了表示是否子進程，此處賦值True。
再者，inheriting是ing結尾，表示進行時狀態；如果是表示繼承性，應該叫inherited，如此看來這個編程就很細心，自己寫程序的時候也得注意。
3.4 num_workers=2 的結果
前文設置num_workers = 2，此時就是父進程帶着兩個子進程，
__name__==’__main__’ 的處理，阻止了子進程由於調用 ClassifierTest.py 而再生子子進程的子孫無窮盡也。
主線程12012 它有兩個worker，分別是 15480 和 7036 。
（這個數值是系統分配的pid編號，區分進程的代號，每次啟動程序都不同）
15480 和 7036 帶着自己的Queue，dataloader.py完成了這個配置。
dataIter = iter(trainloader)
images, labels = dataIter.next()
當執行 next()，程序會讀取象 dataIter 當中的 _data_queue ，這個數據由兩個子進程各自傳入。
data = self._data_queue.get(timeout=timeout)
具體實現看這個類：
C:\Users\13723\PycharmProjects\pythonProject\venv\Lib\site-packages\torch\utils\data\dataloader.py
class _MultiProcessingDataLoaderIter(_BaseDataLoaderIter):
pass
- 4、結語
由一個小小的報錯，能“查漏補缺”知識漏洞就挺好的，鍛煉思維也挺好的。共勉。