Wenet项目在鲲鹏CPU上训练时DataLoader多进程问题的分析与解决

问题背景

在使用Wenet语音识别框架进行模型训练时，当运行环境为搭载鲲鹏CPU的服务器时，在训练阶段会出现段错误(Segmentation Fault)。这个问题特别出现在使用PyTorch的DataLoader进行多进程数据加载时。通过分析发现，这是由于鲲鹏CPU架构与PyTorch默认的多进程启动方式存在兼容性问题导致的。

问题现象

当在鲲鹏CPU上运行Wenet的训练脚本时，DataLoader在创建多进程工作线程时会触发段错误。从错误堆栈中可以观察到，问题发生在底层并行计算库的交互过程中，具体是在arm_compute::OMPScheduler调度工作时出现的异常。

根本原因分析

PyTorch的DataLoader默认使用"fork"方式创建多进程，这种方式在大多数x86架构的Linux系统上工作良好。然而在ARM架构的鲲鹏CPU上，"fork"方式可能会导致一些底层库的状态继承问题，特别是涉及到并行计算和内存管理的库。

通过分析堆栈信息，可以确定问题发生在以下环节：

1. DataLoader尝试使用默认的"fork"方式创建工作进程
2. 工作进程中某些并行计算库(如OpenMP)的状态继承出现问题
3. 在执行矩阵乘法等计算操作时触发段错误

解决方案

解决这个问题的有效方法是显式指定DataLoader使用"spawn"方式创建多进程。"spawn"方式会启动全新的Python解释器进程，而不是继承父进程的状态，从而避免了状态继承导致的问题。

具体实现方式是在创建DataLoader时添加multiprocessing_context参数：

import multiprocessing as mp

train_data_loader = DataLoader(
    train_dataset,
    batch_size=None,
    pin_memory=args.pin_memory,
    num_workers=args.num_workers,
    persistent_workers=True,
    generator=generator,
    prefetch_factor=args.prefetch,
    multiprocessing_context=mp.get_context("spawn")
)

方案优势与注意事项

1. 跨平台兼容性："spawn"方式在Windows、所有POSIX平台和macOS上都能正常工作，具有更好的通用性
2. 稳定性：避免了状态继承导致的各种潜在问题
3. 性能考量：虽然"spawn"方式在进程启动时会有轻微的性能开销，但对于训练过程的整体影响可以忽略不计

需要注意的是，使用"spawn"方式时，所有传递给工作进程的数据必须是可以pickle序列化的，这在Wenet的数据处理流程中通常不是问题。

结论

对于在ARM架构的鲲鹏CPU上运行Wenet项目的用户，建议在DataLoader中显式指定使用"spawn"方式创建多进程。这一改动简单有效，能够解决训练过程中的段错误问题，同时保持良好的跨平台兼容性。该解决方案已被Wenet项目采纳并合并到主分支中。