@浙大疏锦行
1. 隐式同步开销占主导
在典型的训练循环中，即使没有显式地记录损失，每个迭代也可能存在隐式同步。例如，优化器的 step() 操作可能涉及参数更新，这需要 CPU 参与并等待 GPU 完成梯度计算，从而引发一次 GPU-CPU 同步。因此，整个训练过程的同步开销主要来自于这些必要的隐式同步，而记录损失（通过 loss.item()）带来的显式同步只增加很少的额外时间，甚至可能因为与隐式同步重叠而几乎不增加开销。
2. 同步时间的非累加性
由于 GPU 计算和 CPU 操作可以部分并行，同步操作的时间并不严格累加。当记录间隔较小时，频繁的显式同步可能会被隐式同步掩盖；当记录间隔较大时，显式同步次数减少，但每次同步可能等待更长的时间（因为 GPU 可能正在执行其他计算），但总体来看，由于隐式同步的存在，总同步时间变化不大。
3. 实验数据的支持
实验数据显示，记录次数从 10 次增加到 200 次（20 倍），剩余时长仅在 9.74 秒到 10.43 秒之间波动，变化幅度很小。这表明剩余时长主要由固定开销（如隐式同步）决定，而记录操作的影响相对较小，因此没有呈现出线性关系。
: org.example.dem)
