今天又发现了一个pytorch的小坑，给大家分享一下。
手上两份同一模型的代码，一份用tensorflow写的，另一份是我拿pytorch写的，模型架构一模一样，预处理数据的逻辑也一模一样，测试发现模型推理的速度也差不多。一份预处理代码是为pytorch模型写的，用到的库是torch，另一份是为tensorflow写的，用到的是numpy。在训练时，每个epoch耗时居然差距非常大，pytorch的代码在140w条数据上训练每轮耗时约45min，而tensorflow版的代码耗时仅约12min。
我把代码看了又看，百思不得其解，预处理的代码比较复杂，都包含两个for循环，pytorch版代码我把更多的预处理步骤放到了Dataset里，这样训练时加载每个batch后，再要处理的步骤就更少了，速度也应该更快，而tensorflow版代码的for循环里预处理的步骤明明更多，怎么会速度比我的代码还快呢？然而，经过我的测试发现，从加载每个batch的数据进来开始，经过预处理，直到输入到模型做计算前，两者的耗时差了约7~8倍。最后发现问题出在对pytorch的tensor进行了频繁的索引操作。
下面做个实验给大家直观体验一下，对tensor做索引和对array做索引的速度差距有多大，tensor和array都是大小(1000x1000)的二维数组。
Pytorch(version==1.4.1)索引1000000次耗时：3.51秒
Numpy索引1000000次耗时：0.43秒
我还特意对比了一下对TensorFlow的tensor做索引的耗时
TensorFlow(version==2.1.0)索引1000000次耗时：118.89秒
由此可见tensor和array的索引速度至少差距在10倍，不过这也在情理之中，毕竟tensor要比array“重”得多。因此在使用pytorch和tensorflow时，频繁需要索引的操作一定要先把tensor转换为numpy.array来做！
除此之外，与其对二维数组进行索引，不如将其展平为一维数组，算上展平的时间，速度还会有不少提升。
Pytorch从3.51秒降到了1.94秒
Numpy从0.43秒降到了0.29秒
如果在训练和数据预处理过程中发现自己的代码跑起来速度非常慢，记得看一看有没有对tensor做太多次索引，如果有的话，要把它转为numpy.array，还有，尽量把二维、三维的索引变成一维的索引，这些都能加快你训练模型的速度。
PS：最后我的代码终于训练一轮也只需要不到12min了，后来又找了点加速的办法，把训练一轮的时间控制到了9min以内，这些就放在以后再写吧~