第3章 回收次数与计算成本权衡
说实话，我刚接触AlphaFold调优那会儿，也踩过这个坑。回收次数设得越大，结果越稳——但代价呢？显存爆了，时间翻倍，GPU风扇恨不得起飞。
我经常收到学员私信：“老师，回收4次跑一个蛋白，等了三天还没出结果，正常吗？”嗯，这里我要说，你如果不算这笔成本账，可能把80%的计算资源都丢进了黑洞。
咱们这一章，就来掰扯清楚：回收次数到底怎么吃你的时间和显存，以及怎么找到那个“甜点”。
总耗时 ≈ 回收次数 × 单次推理时间 + 优化开销
显存上限 ≈ 回收次数 × 单结构显存 + 缓存开销
3.1 时间开销：不是简单的线性增长
你可能会觉得，回收3次就是单次时间的3倍，对吧？实际不是。
为什么？因为AlphaFold的回收机制里，每次回收的输入不一样——它把上一次的结构做了一点“扰动”，再重新预测。这意味着每次回收的计算量大致相同，但GPU的预热和调度开销会被摊平。
我个人习惯用一个简单的观察来估算：
| 回收次数 | 相对耗时（单次=1） | 实际观察值（500残基蛋白） |
|---|---|---|
| 1 | 1.0x | 约15分钟 |
| 3 | 2.8x ~ 3.0x | 约42分钟 |
| 5 | 4.5x ~ 4.8x | 约68分钟 |
| 8 | 7.0x ~ 7.5x | 约105分钟 |
看到了吗？回收3次到5次，时间并不是从3倍跳到5倍，而是有轻微的“折价”。因为第一次回收的预处理成本被后续回收分摊了。但超过5次之后，边际成本反而上升——显存压力带来的换入换出开始拖后腿。
我建议你，如果时间预算紧，回收次数别超过5。宁可回收4次跑快一点，也别回收8次等得心焦。
3.2 显存占用：容易被忽略的瓶颈
显存这块，才是真正的“暗礁”。
我在项目中遇到过两次显存OOM（Out Of Memory），原因一模一样——回收次数设了6，蛋白长了点，显存就崩了。
你想想看，AlphaFold是怎么处理回收的？它不会等所有回收都跑完才释放显存，而是：
- 每次回收都保留一份中间特征图
- 回收之间还有残差连接和注意力权重的累积
- 最后的预测结果回收也需要保留
简单估算一下：
比如单次回收需要6GB显存，你设回收3次，实际可能需要6 × 3 × 1.2 ≈ 21.6GB。如果是一张24GB的卡，那几乎顶满了。如果再有点其他开销，随时炸。
我做过一个实验，记录不同回收次数下的显存峰值（在RTX 3090上，24GB）：
| 回收次数 | 显存峰值（实测） | 是否安全 |
|---|---|---|
| 1 | 7.2GB | 安全 |
| 3 | 15.8GB | 安全 |
| 5 | 23.1GB | 临界 |
| 6 | 接近爆满 | 危险 |
看到了吗？回收次数超过5，显存就快顶到天花板了。如果你的蛋白更大，比如1000个残基以上，那回收3次可能就是极限。
3.3 GPU利用率：别让你的显卡“摸鱼”
这个角度很多人不关注。GPU利用率高不等于效率高，但利用率太低一定浪费。
我观察过一个现象：回收次数太少（比如1-2次），GPU的利用率通常在60%左右。因为单次推理很快结束，GPU在启动和调度之间频繁“空转”。
但回收次数一多（比如6次以上），利用率反而又会下降。为什么？因为显存满了之后，GPU开始频繁做换入换出，计算单元闲置，等着数据搬来搬去。
根据我的经验，最理想的GPU利用率出现在回收3-4次，此时：
- 显存占用在60%～75%之间
- GPU计算核心几乎满载（85%～95%）
- L2缓存命中率高，带宽利用充分
你可以用 nvidia-smi 或者 nvtop 来监控。我建议你看两个指标：
# 查看GPU利用率和显存占用
nvidia-smi --query-gpu=utilization.gpu,memory.used --format=csv -l 5
# 实时top版（更直观）
nvtop如果发现 utilization.gpu 长期低于60%，或者 memory.used 已经接近满，那你的回收次数就需要调整了。
3.4 找到你的“甜点”
讲这么多，到底设多少回收才合适？
我给你一个我自己总结的决策流程：
- 先看显存：你手头的GPU显存是多少？拿这个数除以1.2（安全系数），再除以单次回收的显存开销，得到理论最大值。
- 再看时间：你愿意等多久？设一个截止时间，倒推回收次数上限。
- 最后看目标：如果你需要高精度结构，回收次数不能低于3；如果是大范围筛选，回收1-2次也够用。
举个例子，假设我用RTX 4090（24GB显存），跑一个500残基的蛋白：
单次回收显存：6GB
安全系数：1.2
理论最大回收次数：24 ÷ 1.2 ÷ 6 ≈ 3.3
所以：
- 如果我想兼顾精度和速度，选3次
- 如果精度不是特别高，选2次
- 如果追求极致精度，咬咬牙试4次（显存临界，建议先跑一次小批量测试）3.5 全景图：回收次数与成本的权衡
这一节的核心关系，我用一张图给你画清楚：
这张图把我上面讲的三条线串起来了。你看，三个维度在回收3-4次时找到了一个共同的“甜点”——时间不长、显存安全、GPU利用率高。再往上走，要么爆显存，要么时间难以接受，边际收益越来越低。
一句话总结： 回收次数不是越高越好。基于你的资源（显存、时间、精度要求），去找那个“甜点”。我个人习惯在3-4次之间做选择，除非特别大的蛋白或特别紧的预算，否则不会超过5次。
记住，调参数这事儿，没有放之四海皆准的数值。但如果你理解了时间、显存、利用率三个维度的权衡逻辑，那每次换一个蛋白、换一张卡，你都能快速定位最优解。
说到底，回收次数调优的本质，就是你用计算成本（时间+显存）去买结构预测的稳定性。你愿意出多少价，取决于项目要求和你的钱包。