+

torch multiprocessing пробовали?

Пока что нет, попробую, спасибо

Так скинь код getitem’а

def getitem(self, idx):
        obj_i = self.index_mapping[idx]
        sk_id = obj_i[0]
        x_slice_start = obj_i[1]
        sk = self.sensor_ids[sk_id]
        x_slice_end = x_slice_start + self.series_len

        conv_inp = torch.cat([
            torch.from_numpy(self.sensors[sk][0][:, x_slice_start:x_slice_end]).type(torch.float32),
            torch.from_numpy(self.sensors[sk][1][:, x_slice_start:x_slice_end]).type(torch.float32)
        ], 0)

        y = torch.from_numpy(self.sensors[sk][1][0, x_slice_end:x_slice_end + 24])

        OHE_sensor = torch.zeros((self.sensors_len), dtype=torch.float32)
        OHE_sensor[sk_id] = 1.0

        return {'X': (conv_inp, OHE_sensor), 'y': y}

self.sensors - словарь с кортежами, в кортеже 2 обьекта, 1-й - нумпаевская матрица(х - ось времени, float32), 2-й тоже нумпаевская матрица но с лейблами
self.index_mapping - нумпаевская матрица из uint32

Причем рост памяти замедляется с ростом эпох

С такой фоткой точно помогут)))

У неё в профиле ссылка с порнографией. Думаю такое не допустимо тут ?

да там по любому развод)

Да не))

Че, разузнал кто она такая и чего она хочет?)

Шучу

нашел хорошую штуку про то, что алгоритмы - это важно:

O(1) — лучше не бывает, можно заняться микрооптимизацией, но не факт, что поможет
O(log n) — отличная работа
O(n) — неплохо, но стоит убедиться, что входные данные отсортированы
O(n^2) — хм, вероятно стоит попробовать упростить до O(n*log n)
O(2^n) — время кешировать

Это алгоритмическая сложность BIG О ?

что такое BIG О ?

Ну , вроде оценка сложности алгоритма

Только не 0, а О

Зависимость времени выполнения алгоритма к  N

ну да, там О

Господа, подскажите функции потерь для multiple output regression?