pytorch的dataloader会将数据传到GPU上,这个过程GPU的mem占用会逐渐增加,为了避免GPUmen被无用的数据占用,可以在每个step后用del删除一些变量,也可以使用torch.cuda.empty_cache()释放显存:
1
2
|
del targets, input_k, input_mask
torch.cuda.empty_cache()
|
这时能观察到GPU的显存一直在动态变化。
但是上述方式不是一个根本的解决方案,因为他受到峰值的影响很大。比如某个batch的数据量明显大于其他batch,可能模型处理该batch时显存会不够用,这也会导致OOM,虽然其他的batch都能顺利执行。
显存的占用跟这几个因素相关:
模型参数量
batch size
一个batch的数据 size
通常我们不希望改变模型参数量,所以只能通过动态调整batch-size,使得一个batch的数据 size不会导致显存OOM:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
ilen = int (sorted_data[start][ 1 ][ 'input' ][ 0 ][ 'shape' ][ 0 ])
olen = int (sorted_data[start][ 1 ][ 'output' ][ 0 ][ 'shape' ][ 0 ])
# if ilen = 1000 and max_length_in = 800
# then b = batchsize / 2
# and max(1, .) avoids batchsize = 0
# 太长的句子会被动态改变bsz,单独成一个batch,否则padding的部分就太多了,数据量太大,OOM
factor = max ( int (ilen / max_length_in), int (olen / max_length_out))
b = max ( 1 , int (batch_size / ( 1 + factor)))
#b = batch_size
end = min ( len (sorted_data), start + b)
minibatch.append(sorted_data[start:end])
if end = = len (sorted_data):
break
start = end
|
此外,如何选择一个合适的batchsize也是个很重要的问题,我们可以先对所有数据按照大小(长短)排好序(降序),不进行shuffle,按照64,32,16依次尝试bsz,如果模型在执行第一个batch的时候没出现OOM,那么以后一定也不会出现OOM(因为降序排列了数据,所以前面的batch的数据size最大)。
还有以下问题
pytorch increasing cuda memory OOM 问题
改了点model 的计算方式,然后就 OOM 了,调小了 batch_size,然后发现发现是模型每次迭代都会动态增长 CUDA MEMORY, 在排除了 python code 中的潜在内存溢出问题之后,基本可以把问题定在 pytorch 的图计算问题上了,说明每次迭代都重新生成了一张计算图,然后都保存着在,就 OOM 了。
参考
CUDA memory continuously increases when net(images) called in every iteration
Understanding graphs and state
说是会生成多个计算图:
1
|
loss = SomeLossFunction(out) + SomeLossFunction(out)
|
准备用 sum来避免多次生成计算图的问题:
1
|
loss = Variable(torch. sum (torch.cat([loss1, loss2], 0 )))
|
然而,调着调着就好了,和报错前的 code 没太大差别。估计的原因是在pycharm 远程连接服务器的时候 code 的保存版本差异问题,这个也需要解决一下。
还有个多次迭代再计算梯度的问题,类似于 caffe中的iter_size,这个再仔细看看。
以上为个人经验,希望能给大家一个参考,也希望大家多多支持服务器之家。
原文链接:https://blog.csdn.net/zongza/article/details/98647490