PyTorch 中 non_blocking 和 pin_memory() 的良好使用指南

创建于：2025 年 4 月 1 日 | 最后更新：2025 年 4 月 1 日 | 最后验证：2024 年 11 月 5 日

作者：Vincent Moens

简介

在许多 PyTorch 应用中，从 CPU 将数据传输到 GPU 是基本操作。对于用户来说，了解在设备间移动数据的最有效工具和选项至关重要。本教程探讨了 PyTorch 中设备间数据传输的两个关键方法： pin_memory() 和 to() 以及 non_blocking=True 选项。

你将学到什么

通过异步传输和内存固定，可以优化从 CPU 到 GPU 的张量传输。然而，这里有一些重要的考虑因素：

• 使用 tensor.pin_memory().to(device, non_blocking=True) 可能比直接使用 tensor.to(device) 慢两倍。

• 通常， tensor.to(device, non_blocking=True) 是提高传输速度的有效选择。

• 虽然 cpu_tensor.to("cuda", non_blocking=True).mean() 执行正确，但尝试 cuda_tensor.to("cpu", non_blocking=True).mean() 会导致错误输出。

前言 ¶

本教程中报告的性能取决于构建教程所使用的系统。尽管结论适用于不同的系统，但具体观察结果可能会因可用硬件而略有不同，尤其是在较旧的硬件上。本教程的主要目标是提供一个理解 CPU 到 GPU 数据传输的理论框架。然而，任何设计决策都应针对个别案例进行调整，并受基准吞吐量测量以及具体任务要求的指导。

import torch

assert torch.cuda.is_available(), "A cuda device is required to run this tutorial"

本教程需要安装 tensordict。如果您环境中还没有 tensordict，请在单独的单元中运行以下命令进行安装：

# Install tensordict with the following command
!pip3 install tensordict

我们首先概述这些概念的理论，然后转向具体的功能测试示例。

背景 ¶

内存管理基础 ¶

当在 PyTorch 中创建一个 CPU 张量时，该张量的内容需要放置在内存中。我们这里所说的内存是一个相当复杂的概念，值得仔细研究。我们区分两种由内存管理单元处理的内存类型：RAM（为了简单起见）和磁盘上的交换空间（这可能是硬盘）。磁盘和 RAM（物理内存）的可用地空间共同构成了虚拟内存，它是总可用资源的抽象。简而言之，虚拟内存使得可用空间大于单独的 RAM 所能提供的空间，并创造出主内存比实际更大的错觉。

在正常情况下，常规 CPU 张量是可分页的，这意味着它被分成称为页面的块，可以存在于虚拟内存的任何地方（既在 RAM 上也在磁盘上）。如前所述，这有一个优点，就是内存看起来比主内存实际要大。

通常情况下，当程序访问不在 RAM 中的页面时，会发生“页面错误”，然后操作系统（OS）将此页面重新载入 RAM（“交换入”或“页面入”）。反过来，操作系统可能需要交换出（或“页面出”）另一个页面来为新页面腾出空间。

与可分页内存相比，固定（或页面锁定或不可分页）内存是一种不能交换到磁盘的内存类型。它允许更快的访问时间和更可预测的访问时间，但缺点是它比可分页内存（即主内存）更有限。

CUDA 和（非）可分页内存

要了解 CUDA 如何将张量从 CPU 复制到 CUDA，让我们考虑上述两种情况：

• 如果内存是页面锁定状态，设备可以直接在主内存中访问内存。内存地址定义良好，需要读取这些数据的函数可以显著加速。

• 如果内存是可分页的，所有页面都必须先被载入主内存，然后才能发送到 GPU。这个操作可能需要时间，并且比在页面锁定张量上执行时更不可预测。

更精确地说，当 CUDA 从 CPU 向 GPU 发送可分页数据时，它必须首先创建该数据的页面锁定副本，然后再进行传输。

异步与同步操作对比 non_blocking=True （CUDA cudaMemcpyAsync ）¶

当从主机（例如，CPU）向设备（例如，GPU）执行复制操作时，CUDA 工具包提供了同步或异步执行这些操作的方式，相对于主机而言。

在实际应用中，当调用 to() 时，PyTorch 总是调用 cudaMemcpyAsync。如果 non_blocking=False （默认），在每个 cudaMemcpyAsync 之后都会调用 cudaStreamSynchronize ，使得对 to() 的调用在主线程中阻塞。如果 non_blocking=True ，则不会触发同步，主机上的主线程不会被阻塞。因此，从主机角度来看，可以同时向设备发送多个张量，因为线程不需要等待一个传输完成就可以启动另一个传输。

备注

通常情况下，传输在设备端是阻塞的（即使主机端不是）：设备上的复制操作不能在另一个操作执行时进行。然而，在某些高级场景中，可以在 GPU 端同时执行复制和内核执行。以下示例将展示，要启用此功能，必须满足三个要求：

1. 设备必须至少有一个空闲的 DMA（直接内存访问）引擎。现代 GPU 架构如 Volterra、Tesla 或 H100 设备拥有多个 DMA 引擎。

2. 传输必须在单独的非默认 cuda 流上完成。在 PyTorch 中，可以使用 Stream 来处理 cuda 流。

3. 源数据必须位于固定内存中。

我们通过在以下脚本上运行配置文件来演示这一点。

import contextlib

from torch.cuda import Stream


s = Stream()

torch.manual_seed(42)
t1_cpu_pinned = torch.randn(1024**2 * 5, pin_memory=True)
t2_cpu_paged = torch.randn(1024**2 * 5, pin_memory=False)
t3_cuda = torch.randn(1024**2 * 5, device="cuda:0")

assert torch.cuda.is_available()
device = torch.device("cuda", torch.cuda.current_device())


# The function we want to profile
def inner(pinned: bool, streamed: bool):
    with torch.cuda.stream(s) if streamed else contextlib.nullcontext():
        if pinned:
            t1_cuda = t1_cpu_pinned.to(device, non_blocking=True)
        else:
            t2_cuda = t2_cpu_paged.to(device, non_blocking=True)
        t_star_cuda_h2d_event = s.record_event()
    # This operation can be executed during the CPU to GPU copy if and only if the tensor is pinned and the copy is
    #  done in the other stream
    t3_cuda_mul = t3_cuda * t3_cuda * t3_cuda
    t3_cuda_h2d_event = torch.cuda.current_stream().record_event()
    t_star_cuda_h2d_event.synchronize()
    t3_cuda_h2d_event.synchronize()


# Our profiler: profiles the `inner` function and stores the results in a .json file
def benchmark_with_profiler(
    pinned,
    streamed,
) -> None:
    torch._C._profiler._set_cuda_sync_enabled_val(True)
    wait, warmup, active = 1, 1, 2
    num_steps = wait + warmup + active
    rank = 0
    with torch.profiler.profile(
        activities=[
            torch.profiler.ProfilerActivity.CPU,
            torch.profiler.ProfilerActivity.CUDA,
        ],
        schedule=torch.profiler.schedule(
            wait=wait, warmup=warmup, active=active, repeat=1, skip_first=1
        ),
    ) as prof:
        for step_idx in range(1, num_steps + 1):
            inner(streamed=streamed, pinned=pinned)
            if rank is None or rank == 0:
                prof.step()
    prof.export_chrome_trace(f"trace_streamed{int(streamed)}_pinned{int(pinned)}.json")

在 Chrome 中加载这些配置文件跟踪（ chrome://tracing ）显示以下结果：首先，让我们看看如果将 t3_cuda 上的算术运算在将可分页张量发送到主流 GPU 之后执行会发生什么：

benchmark_with_profiler(streamed=False, pinned=False)

使用固定张量对跟踪影响不大，两个操作仍然连续执行：

benchmark_with_profiler(streamed=False, pinned=True)

将可分页张量发送到单独的流中的 GPU 也是一个阻塞操作：

benchmark_with_profiler(streamed=True, pinned=False)

只有固定张量在单独的流中复制到 GPU，与主流上执行的另一个 CUDA 内核重叠：

benchmark_with_profiler(streamed=True, pinned=True)

PyTorch 视角

pin_memory()

PyTorch 提供了通过 pin_memory() 方法和构造函数参数创建并发送张量到页锁定内存的可能性。在 CUDA 已初始化的机器上，CPU 张量可以通过 pin_memory() 方法转换为固定内存。重要的是， pin_memory 在主机的主线程上阻塞：它将在将张量复制到页锁定内存之前执行下一个操作。可以使用 zeros() 、 ones() 和其他构造函数等函数直接在固定内存中创建新张量。

让我们来检查页锁定内存的速度和张量发送到 CUDA 的速度：

import torch
import gc
from torch.utils.benchmark import Timer
import matplotlib.pyplot as plt


def timer(cmd):
    median = (
        Timer(cmd, globals=globals())
        .adaptive_autorange(min_run_time=1.0, max_run_time=20.0)
        .median
        * 1000
    )
    print(f"{cmd}: {median: 4.4f} ms")
    return median


# A tensor in pageable memory
pageable_tensor = torch.randn(1_000_000)

# A tensor in page-locked (pinned) memory
pinned_tensor = torch.randn(1_000_000, pin_memory=True)

# Runtimes:
pageable_to_device = timer("pageable_tensor.to('cuda:0')")
pinned_to_device = timer("pinned_tensor.to('cuda:0')")
pin_mem = timer("pageable_tensor.pin_memory()")
pin_mem_to_device = timer("pageable_tensor.pin_memory().to('cuda:0')")

# Ratios:
r1 = pinned_to_device / pageable_to_device
r2 = pin_mem_to_device / pageable_to_device

# Create a figure with the results
fig, ax = plt.subplots()

xlabels = [0, 1, 2]
bar_labels = [
    "pageable_tensor.to(device) (1x)",
    f"pinned_tensor.to(device) ({r1:4.2f}x)",
    f"pageable_tensor.pin_memory().to(device) ({r2:4.2f}x)"
    f"\npin_memory()={100*pin_mem/pin_mem_to_device:.2f}% of runtime.",
]
values = [pageable_to_device, pinned_to_device, pin_mem_to_device]
colors = ["tab:blue", "tab:red", "tab:orange"]
ax.bar(xlabels, values, label=bar_labels, color=colors)

ax.set_ylabel("Runtime (ms)")
ax.set_title("Device casting runtime (pin-memory)")
ax.set_xticks([])
ax.legend()

plt.show()

# Clear tensors
del pageable_tensor, pinned_tensor
_ = gc.collect()

我们可以观察到，将固定内存张量转换为 GPU 确实比可分页张量快得多，因为底层，可分页张量必须在发送到 GPU 之前被复制到固定内存。

然而，与一种常见的看法相反，在将可分页张量转换为 GPU 之前调用 pin_memory() 并不会带来任何显著的速度提升，相反，这个调用通常比仅仅执行传输要慢。这是有道理的，因为我们实际上是在要求 Python 执行 CUDA 在将数据从主机复制到设备之前无论如何都会执行的操作。

备注

PyTorch 的 pin_memory 实现依赖于通过 cudaHostAlloc 创建一个新的存储在固定内存中，这在罕见情况下可能比 cudaMemcpy 那样分块传输数据要快。这里，观察结果也可能因可用硬件、发送的张量大小或可用 RAM 的数量而异。

non_blocking=True

如前所述，许多 PyTorch 操作都有通过 non_blocking 参数异步执行相对于主机的选项。

为了准确衡量使用 non_blocking 的好处，我们将设计一个稍微复杂一些的实验，因为我们想评估在有和没有调用 non_blocking 的情况下发送多个张量到 GPU 的速度有多快。

# A simple loop that copies all tensors to cuda
def copy_to_device(*tensors):
    result = []
    for tensor in tensors:
        result.append(tensor.to("cuda:0"))
    return result


# A loop that copies all tensors to cuda asynchronously
def copy_to_device_nonblocking(*tensors):
    result = []
    for tensor in tensors:
        result.append(tensor.to("cuda:0", non_blocking=True))
    # We need to synchronize
    torch.cuda.synchronize()
    return result


# Create a list of tensors
tensors = [torch.randn(1000) for _ in range(1000)]
to_device = timer("copy_to_device(*tensors)")
to_device_nonblocking = timer("copy_to_device_nonblocking(*tensors)")

# Ratio
r1 = to_device_nonblocking / to_device

# Plot the results
fig, ax = plt.subplots()

xlabels = [0, 1]
bar_labels = [f"to(device) (1x)", f"to(device, non_blocking=True) ({r1:4.2f}x)"]
colors = ["tab:blue", "tab:red"]
values = [to_device, to_device_nonblocking]

ax.bar(xlabels, values, label=bar_labels, color=colors)

ax.set_ylabel("Runtime (ms)")
ax.set_title("Device casting runtime (non-blocking)")
ax.set_xticks([])
ax.legend()

plt.show()

为了更好地了解这里发生的情况，让我们分析这两个函数：

from torch.profiler import profile, ProfilerActivity


def profile_mem(cmd):
    with profile(activities=[ProfilerActivity.CPU]) as prof:
        exec(cmd)
    print(cmd)
    print(prof.key_averages().table(row_limit=10))

现在让我们先使用常规的 to(device) 来查看调用栈：

print("Call to `to(device)`", profile_mem("copy_to_device(*tensors)"))

现在来看看 non_blocking 版本的：

print(
    "Call to `to(device, non_blocking=True)`",
    profile_mem("copy_to_device_nonblocking(*tensors)"),
)

使用 non_blocking=True 的结果毫无疑问更好，因为所有传输都在主机端同时启动，并且只进行一次同步。

收益将根据张量的数量和大小以及所使用的硬件而有所不同。

备注

有趣的是，阻塞的 to("cuda") 实际上执行与带有 non_blocking=True 的相同异步设备编码操作（ cudaMemcpyAsync ），在每个复制后都有一个同步点。

协同效应

现在我们已经指出，将已固定在内存中的张量传输到 GPU 比从可分页内存传输更快，并且我们知道异步执行这些传输也比同步执行更快，我们可以对这些方法的组合进行基准测试。首先，让我们编写几个新函数，这些函数将对每个张量调用 pin_memory 和 to(device) ：

def pin_copy_to_device(*tensors):
    result = []
    for tensor in tensors:
        result.append(tensor.pin_memory().to("cuda:0"))
    return result


def pin_copy_to_device_nonblocking(*tensors):
    result = []
    for tensor in tensors:
        result.append(tensor.pin_memory().to("cuda:0", non_blocking=True))
    # We need to synchronize
    torch.cuda.synchronize()
    return result

使用 pin_memory() 的好处在大批量的大型张量中更为明显：

tensors = [torch.randn(1_000_000) for _ in range(1000)]
page_copy = timer("copy_to_device(*tensors)")
page_copy_nb = timer("copy_to_device_nonblocking(*tensors)")

tensors_pinned = [torch.randn(1_000_000, pin_memory=True) for _ in range(1000)]
pinned_copy = timer("copy_to_device(*tensors_pinned)")
pinned_copy_nb = timer("copy_to_device_nonblocking(*tensors_pinned)")

pin_and_copy = timer("pin_copy_to_device(*tensors)")
pin_and_copy_nb = timer("pin_copy_to_device_nonblocking(*tensors)")

# Plot
strategies = ("pageable copy", "pinned copy", "pin and copy")
blocking = {
    "blocking": [page_copy, pinned_copy, pin_and_copy],
    "non-blocking": [page_copy_nb, pinned_copy_nb, pin_and_copy_nb],
}

x = torch.arange(3)
width = 0.25
multiplier = 0


fig, ax = plt.subplots(layout="constrained")

for attribute, runtimes in blocking.items():
    offset = width * multiplier
    rects = ax.bar(x + offset, runtimes, width, label=attribute)
    ax.bar_label(rects, padding=3, fmt="%.2f")
    multiplier += 1

# Add some text for labels, title and custom x-axis tick labels, etc.
ax.set_ylabel("Runtime (ms)")
ax.set_title("Runtime (pin-mem and non-blocking)")
ax.set_xticks([0, 1, 2])
ax.set_xticklabels(strategies)
plt.setp(ax.get_xticklabels(), rotation=45, ha="right", rotation_mode="anchor")
ax.legend(loc="upper left", ncols=3)

plt.show()

del tensors, tensors_pinned
_ = gc.collect()

其他复制方向（GPU -> CPU，CPU -> MPS）¶

迄今为止，我们一直假设从 CPU 到 GPU 的异步复制是安全的。这通常是正确的，因为 CUDA 会自动处理同步以确保在读取数据时数据是有效的__无论张量处于可分页内存中__。

然而，在其他情况下，我们不能做出同样的假设：当一个张量被放置在固定内存中时，在调用主机到设备传输后修改原始副本可能会损坏 GPU 接收到的数据。同样，当在相反方向上完成传输，即从 GPU 到 CPU，或者从不是 CPU 或 GPU 的任何设备到不是 CUDA 处理的 GPU 的任何设备（例如，MPS）时，没有保证 GPU 上读取的数据是有效的，除非进行显式同步。

在这些场景中，这些传输并不能保证在数据访问时副本是否完整。因此，主机上的数据可能是不完整或错误的，实际上变成了垃圾。

让我们先通过一个固定内存的张量来演示这一点：

DELAY = 100000000
try:
    i = -1
    for i in range(100):
        # Create a tensor in pin-memory
        cpu_tensor = torch.ones(1024, 1024, pin_memory=True)
        torch.cuda.synchronize()
        # Send the tensor to CUDA
        cuda_tensor = cpu_tensor.to("cuda", non_blocking=True)
        torch.cuda._sleep(DELAY)
        # Corrupt the original tensor
        cpu_tensor.zero_()
        assert (cuda_tensor == 1).all()
    print("No test failed with non_blocking and pinned tensor")
except AssertionError:
    print(f"{i}th test failed with non_blocking and pinned tensor. Skipping remaining tests")

使用可分页的张量总是可行的：

i = -1
for i in range(100):
    # Create a tensor in pageable memory
    cpu_tensor = torch.ones(1024, 1024)
    torch.cuda.synchronize()
    # Send the tensor to CUDA
    cuda_tensor = cpu_tensor.to("cuda", non_blocking=True)
    torch.cuda._sleep(DELAY)
    # Corrupt the original tensor
    cpu_tensor.zero_()
    assert (cuda_tensor == 1).all()
print("No test failed with non_blocking and pageable tensor")

现在我们来演示一下，没有同步，CUDA 到 CPU 也无法产生可靠的输出：

tensor = (
    torch.arange(1, 1_000_000, dtype=torch.double, device="cuda")
    .expand(100, 999999)
    .clone()
)
torch.testing.assert_close(
    tensor.mean(), torch.tensor(500_000, dtype=torch.double, device="cuda")
), tensor.mean()
try:
    i = -1
    for i in range(100):
        cpu_tensor = tensor.to("cpu", non_blocking=True)
        torch.testing.assert_close(
            cpu_tensor.mean(), torch.tensor(500_000, dtype=torch.double)
        )
    print("No test failed with non_blocking")
except AssertionError:
    print(f"{i}th test failed with non_blocking. Skipping remaining tests")
try:
    i = -1
    for i in range(100):
        cpu_tensor = tensor.to("cpu", non_blocking=True)
        torch.cuda.synchronize()
        torch.testing.assert_close(
            cpu_tensor.mean(), torch.tensor(500_000, dtype=torch.double)
        )
    print("No test failed with synchronize")
except AssertionError:
    print(f"One test failed with synchronize: {i}th assertion!")

通常情况下，异步复制到设备是安全的，无需显式同步，前提是目标是 CUDA 启用设备且原始张量处于可分页内存中。

总结来说，使用 non_blocking=True 从 CPU 复制数据到 GPU 是安全的，但对于其他任何方向， non_blocking=True 仍然可以使用，但用户必须确保在访问数据之前执行设备同步。

实践建议 §

基于我们的观察，我们可以总结一些早期建议：

通常情况下， non_blocking=True 将提供良好的吞吐量，无论原始张量是否已在固定内存中。如果张量已经在固定内存中，传输可以加速，但手动从 Python 主线程将数据发送到固定内存是一个在主机上的阻塞操作，因此会抵消使用 non_blocking=True （因为 CUDA 本身就会进行 pin_memory 传输）的大部分好处。

现在，人们可能会合乎逻辑地询问 pin_memory() 方法有什么用途。在下一节中，我们将进一步探讨如何使用它来进一步加速数据传输。

其他考虑因素

PyTorch 臭名昭著地提供了一个接受 pin_memory 参数的 DataLoader 类构造函数。考虑到我们之前关于 pin_memory 的讨论，你可能会想知道 DataLoader 如何能够在内存固定本质上会阻塞的情况下加速数据传输。

关键在于 DataLoader 使用单独的线程来处理从分页内存到固定内存的数据传输，从而防止主线程阻塞。

为了说明这一点，我们将使用同名的 TensorDict 原语。在调用 to() 时，默认行为是异步将张量发送到设备，之后通过单个调用 torch.device.synchronize() 。

此外， TensorDict.to() 还包括一个 non_blocking_pin 选项，它会在继续进行到 to(device) 之前启动多个线程来执行 pin_memory() 。这种方法可以进一步加速数据传输，以下示例将展示这一点。

from tensordict import TensorDict
import torch
from torch.utils.benchmark import Timer
import matplotlib.pyplot as plt

# Create the dataset
td = TensorDict({str(i): torch.randn(1_000_000) for i in range(1000)})

# Runtimes
copy_blocking = timer("td.to('cuda:0', non_blocking=False)")
copy_non_blocking = timer("td.to('cuda:0')")
copy_pin_nb = timer("td.to('cuda:0', non_blocking_pin=True, num_threads=0)")
copy_pin_multithread_nb = timer("td.to('cuda:0', non_blocking_pin=True, num_threads=4)")

# Rations
r1 = copy_non_blocking / copy_blocking
r2 = copy_pin_nb / copy_blocking
r3 = copy_pin_multithread_nb / copy_blocking

# Figure
fig, ax = plt.subplots()

xlabels = [0, 1, 2, 3]
bar_labels = [
    "Blocking copy (1x)",
    f"Non-blocking copy ({r1:4.2f}x)",
    f"Blocking pin, non-blocking copy ({r2:4.2f}x)",
    f"Non-blocking pin, non-blocking copy ({r3:4.2f}x)",
]
values = [copy_blocking, copy_non_blocking, copy_pin_nb, copy_pin_multithread_nb]
colors = ["tab:blue", "tab:red", "tab:orange", "tab:green"]

ax.bar(xlabels, values, label=bar_labels, color=colors)

ax.set_ylabel("Runtime (ms)")
ax.set_title("Device casting runtime")
ax.set_xticks([])
ax.legend()

plt.show()

在这个示例中，我们正在将许多大型张量从 CPU 传输到 GPU。这种场景非常适合使用多线程的 pin_memory() ，它可以显著提高性能。然而，如果张量很小，多线程带来的开销可能会超过其带来的好处。同样，如果只有少数几个张量，将张量固定在单独线程上的优势也会变得有限。

作为补充说明，虽然创建永久缓冲区以在将张量从可分页内存传输到 GPU 之前进行传输可能看似有利，但这种策略并不一定能加快计算速度。将数据复制到固定内存中固有的瓶颈仍然是限制因素。

此外，将位于磁盘上的数据（无论是共享内存还是文件）传输到 GPU 通常需要将数据复制到固定内存（位于 RAM 中）的中间步骤。在这种情况下使用 non_blocking 进行大量数据传输可能会显著增加 RAM 消耗，可能产生不利影响。

实际上，没有一种适合所有情况的解决方案。使用多线程 pin_memory 结合 non_blocking 传输的有效性取决于多种因素，包括特定系统、操作系统、硬件以及执行的任务的性质。以下是在尝试加快 CPU 和 GPU 之间数据传输或比较不同场景的吞吐量时需要检查的因素列表：

• 可用核心数

  系统中有多少个 CPU 核心可用？系统是否与其他用户或进程共享，可能会竞争资源？

• 核心利用率

  CPU 核心是否被其他进程过度使用？应用程序是否在数据传输的同时执行其他 CPU 密集型任务？

• 内存利用率

  目前使用了多少可分页和页锁定内存？是否有足够的空闲内存来分配额外的固定内存而不影响系统性能？请记住，没有免费的午餐，例如 pin_memory 将消耗 RAM 并可能影响其他任务。

• CUDA 设备功能

  GPU 是否支持多个 DMA 引擎以进行并发数据传输？所使用的 CUDA 设备的具体功能和限制是什么？

• 要发送的张量数量

  在典型操作中传输了多少个张量？

• 要发送的张量的大小

  正在传输的张量的大小是多少？几个大张量或许多小张量可能不会从相同的传输程序中受益。

• 系统架构

  系统架构是如何影响数据传输速度的（例如，总线速度、网络延迟）？

此外，在固定内存中分配大量张量或大型张量可能会占用大量 RAM。这会减少其他关键操作（如分页）可用的内存，从而可能对算法的整体性能产生负面影响。

结论 ¶

在本教程中，我们探讨了影响从主机到设备发送张量时的传输速度和内存管理的几个关键因素。我们了解到，使用 non_blocking=True 通常可以加速数据传输，并且如果正确实现， pin_memory() 也可以提高性能。然而，这些技术需要仔细设计和校准才能有效。

请记住，对您的代码进行性能分析并关注内存消耗对于优化资源使用和实现最佳性能至关重要。

补充资源

如果您在使用 CUDA 设备时遇到内存复制问题，或者想了解更多关于本教程中讨论的内容，请查看以下参考资料：

• CUDA 工具包内存管理文档；

• CUDA 固定内存笔记；

• 如何优化 CUDA C/C++中的数据传输

• tensordict 文档和仓库