数字技术与应用杂志社

摘要：<正>深度学习在计算机视觉、语音识别和自然语言处理等领域的快速发展受到大规模数据集获取困难与高性能计算资源需求的限制。作为一种具有强大生态系统的编程语言，Python凭借灵活的模块化结构和丰富的科学计算库，逐渐成为深度学习研究与工程实现的主流工具。在深度学习任务中，尽管主流框架在GPU算子和调度层面已作出大量优化，但在CPU端的数据读取、解码与增强环节仍存在明显的性能瓶颈，常导致GPU等待数据输入而利用率下降。与此同时，由于Python的全局解释器锁限制，多线程方式难以充分发挥多核CPU的并行优势，因此，采用多进程策略对数据加载与预处理阶段进行优化成为提升整体训练效率的重要方向。本研究基于CIFAR-10数据集与ResNet模型，对Multiprocessing、Joblib与Ray等主流并行计算框架进行了性能比较，重点分析了进程数量、队列深度与任务划分方式对GPU利用率与训练时延的影响，并提出动态参数化调度策略，以实现资源的高效分配与性能的自适应优化，为深度学习训练任务提供系统化的多进程并行改进方案。

专辑： 信息科技

专题： 计算机软件及计算机应用;自动化技术

分类号： TP312.1;TP18