CUDA 语义¶
torch.cuda 用于设置和运行 CUDA 操作。它跟踪当前选定的 GPU，并且您分配的所有 CUDA 张量默认情况下将在该设备上创建。可以使用 torch.cuda.device 上下文管理器更改选定的设备。
但是，一旦分配了张量，您就可以对其进行操作，而与选定的设备无关，结果将始终放置在与张量相同的设备上。
默认情况下不允许跨 GPU 操作，但 copy_() 和其他具有类似复制功能的方法（例如 to() 和 cuda()）除外。除非您启用点对点内存访问，否则任何尝试在跨不同设备的张量上启动操作都将引发错误。
以下是一个展示此功能的小示例
cuda = torch.device('cuda') # Default CUDA device
cuda0 = torch.device('cuda:0')
cuda2 = torch.device('cuda:2') # GPU 2 (these are 0-indexed)
x = torch.tensor([1., 2.], device=cuda0)
# x.device is device(type='cuda', index=0)
y = torch.tensor([1., 2.]).cuda()
# y.device is device(type='cuda', index=0)
with torch.cuda.device(1):
# allocates a tensor on GPU 1
a = torch.tensor([1., 2.], device=cuda)
# transfers a tensor from CPU to GPU 1
b = torch.tensor([1., 2.]).cuda()
# a.device and b.device are device(type='cuda', index=1)
# You can also use ``Tensor.to`` to transfer a tensor:
b2 = torch.tensor([1., 2.]).to(device=cuda)
# b.device and b2.device are device(type='cuda', index=1)
c = a + b
# c.device is device(type='cuda', index=1)
z = x + y
# z.device is device(type='cuda', index=0)
# even within a context, you can specify the device
# (or give a GPU index to the .cuda call)
d = torch.randn(2, device=cuda2)
e = torch.randn(2).to(cuda2)
f = torch.randn(2).cuda(cuda2)
# d.device, e.device, and f.device are all device(type='cuda', index=2)
Ampere（及更高版本）设备上的 TensorFloat-32 (TF32)¶
从 PyTorch 1.7 开始，引入了一个名为 allow_tf32 的新标志。此标志在 PyTorch 1.7 到 PyTorch 1.11 中默认值为 True，在 PyTorch 1.12 及更高版本中默认值为 False。此标志控制 PyTorch 是否允许使用 TensorFloat32 (TF32) 张量核心，该核心自 Ampere 以来在 NVIDIA GPU 上可用，用于内部计算矩阵乘法（矩阵乘法和批处理矩阵乘法）和卷积。
TF32 张量核心旨在通过将输入数据四舍五入为 10 位尾数，并以 FP32 精度累积结果，保持 FP32 动态范围，从而在 torch.float32 张量上的矩阵乘法和卷积中实现更好的性能。
矩阵乘法和卷积是分别控制的，它们对应的标志可以通过以下方式访问：
# The flag below controls whether to allow TF32 on matmul. This flag defaults to False
# in PyTorch 1.12 and later.
torch.backends.cuda.matmul.allow_tf32 = True
# The flag below controls whether to allow TF32 on cuDNN. This flag defaults to True.
torch.backends.cudnn.allow_tf32 = True
矩阵乘法的精度也可以通过更广泛的方式设置（不仅限于 CUDA），方法是使用 set_float_32_matmul_precision()。请注意，除了矩阵乘法和卷积本身之外，内部使用矩阵乘法或卷积的函数和 nn 模块也会受到影响。这些包括 nn.Linear、nn.Conv*、cdist、tensordot、仿射网格和网格采样、自适应对数 softmax、GRU 和 LSTM。
要了解精度和速度，请查看下面的示例代码和基准数据（在 A100 上）
a_full = torch.randn(10240, 10240, dtype=torch.double, device='cuda')
b_full = torch.randn(10240, 10240, dtype=torch.double, device='cuda')
ab_full = a_full @ b_full
mean = ab_full.abs().mean() # 80.7277
a = a_full.float()
b = b_full.float()
# Do matmul at TF32 mode.
torch.backends.cuda.matmul.allow_tf32 = True
ab_tf32 = a @ b # takes 0.016s on GA100
error = (ab_tf32 - ab_full).abs().max() # 0.1747
relative_error = error / mean # 0.0022
# Do matmul with TF32 disabled.
torch.backends.cuda.matmul.allow_tf32 = False
ab_fp32 = a @ b # takes 0.11s on GA100
error = (ab_fp32 - ab_full).abs().max() # 0.0031
relative_error = error / mean # 0.000039
从上面的示例中，我们可以看到，在启用 TF32 的情况下，A100 上的速度快了约 7 倍，与双精度相比的相对误差大约大两个数量级。请注意，TF32 与单精度速度的精确比率取决于硬件代，因为内存带宽与计算的比率以及 TF32 与 FP32 矩阵乘法吞吐量的比率等属性可能会因代或模型而异。如果需要完整的 FP32 精度，用户可以通过以下方式禁用 TF32：
torch.backends.cuda.matmul.allow_tf32 = False
torch.backends.cudnn.allow_tf32 = False
要在 C++ 中关闭 TF32 标志，您可以执行以下操作：
at::globalContext().setAllowTF32CuBLAS(false);
at::globalContext().setAllowTF32CuDNN(false);
有关 TF32 的更多信息，请参见：
FP16 GEMM 中的降精度减少¶
fp16 GEMM 可能使用一些中间降精度减少（例如，在 fp16 而不是 fp32 中）。这些精度的选择性减少可以提高某些工作负载（特别是那些具有较大 k 维度）和 GPU 架构的性能，但会以数值精度和潜在溢出为代价。
V100 上的一些示例基准数据
[--------------------------- bench_gemm_transformer --------------------------]
[ m , k , n ] | allow_fp16_reduc=True | allow_fp16_reduc=False
1 threads: --------------------------------------------------------------------
[4096, 4048, 4096] | 1634.6 | 1639.8
[4096, 4056, 4096] | 1670.8 | 1661.9
[4096, 4080, 4096] | 1664.2 | 1658.3
[4096, 4096, 4096] | 1639.4 | 1651.0
[4096, 4104, 4096] | 1677.4 | 1674.9
[4096, 4128, 4096] | 1655.7 | 1646.0
[4096, 4144, 4096] | 1796.8 | 2519.6
[4096, 5096, 4096] | 2094.6 | 3190.0
[4096, 5104, 4096] | 2144.0 | 2663.5
[4096, 5112, 4096] | 2149.1 | 2766.9
[4096, 5120, 4096] | 2142.8 | 2631.0
[4096, 9728, 4096] | 3875.1 | 5779.8
[4096, 16384, 4096] | 6182.9 | 9656.5
(times in microseconds).
如果需要全精度减少，用户可以通过以下方式禁用 fp16 GEMM 中的降精度减少：
torch.backends.cuda.matmul.allow_fp16_reduced_precision_reduction = False
要在 C++ 中切换降精度减少标志，可以执行以下操作：
at::globalContext().setAllowFP16ReductionCuBLAS(false);
BF16 GEMM 中的降精度减少¶
对于 BFloat16 GEMMs，存在类似的标志（如上所示）。请注意，此开关默认情况下对于 BF16 设置为 True，如果您在工作负载中观察到数值不稳定，您可能希望将其设置为 False。
如果不需要降低精度缩减，用户可以使用以下方法禁用 bf16 GEMMs 中的降低精度缩减：
torch.backends.cuda.matmul.allow_bf16_reduced_precision_reduction = False
要在 C++ 中切换降精度减少标志，可以执行以下操作：
at::globalContext().setAllowBF16ReductionCuBLAS(true);
异步执行¶
默认情况下，GPU 操作是异步的。当您调用使用 GPU 的函数时，操作会被排队到特定设备，但并不一定立即执行。这使我们能够并行执行更多计算，包括 CPU 或其他 GPU 上的操作。
通常，异步计算的影响对调用者是不可见的，因为 (1) 每个设备按操作排队的顺序执行操作，以及 (2) PyTorch 在 CPU 和 GPU 之间或两个 GPU 之间复制数据时会自动执行必要的同步。因此，计算将像每个操作都同步执行一样进行。
您可以通过设置环境变量 CUDA_LAUNCH_BLOCKING=1 来强制同步计算。当 GPU 上发生错误时，这可能很方便。（使用异步执行，此类错误直到操作实际执行后才会报告，因此堆栈跟踪不会显示请求的位置。）
异步计算的一个结果是，没有同步的时间测量是不准确的。要获得精确的测量值，应该在测量之前调用 torch.cuda.synchronize()，或者使用 torch.cuda.Event 来记录时间，如下所示
start_event = torch.cuda.Event(enable_timing=True)
end_event = torch.cuda.Event(enable_timing=True)
start_event.record()
# Run some things here
end_event.record()
torch.cuda.synchronize() # Wait for the events to be recorded!
elapsed_time_ms = start_event.elapsed_time(end_event)
作为例外，一些函数，例如 to() 和 copy_() 允许显式使用 non_blocking 参数，这使得调用者可以在不需要时绕过同步。另一个例外是 CUDA 流，将在下面解释。
CUDA 流¶
一个 CUDA 流 是属于特定设备的线性执行序列。通常不需要显式创建它：默认情况下，每个设备都使用自己的“默认”流。
每个流内部的操作按照创建顺序进行序列化，但来自不同流的操作可以并发执行，并且可以以任何相对顺序执行，除非使用显式同步函数（例如 synchronize() 或 wait_stream()）。例如，以下代码是错误的
cuda = torch.device('cuda')
s = torch.cuda.Stream() # Create a new stream.
A = torch.empty((100, 100), device=cuda).normal_(0.0, 1.0)
with torch.cuda.stream(s):
# sum() may start execution before normal_() finishes!
B = torch.sum(A)
当“当前流”是默认流时，PyTorch 会在数据移动时自动执行必要的同步，如上所述。但是，当使用非默认流时，用户有责任确保正确同步。此示例的修正版本为
cuda = torch.device('cuda')
s = torch.cuda.Stream() # Create a new stream.
A = torch.empty((100, 100), device=cuda).normal_(0.0, 1.0)
s.wait_stream(torch.cuda.default_stream(cuda)) # NEW!
with torch.cuda.stream(s):
B = torch.sum(A)
A.record_stream(s) # NEW!
有两个新的添加。 torch.cuda.Stream.wait_stream() 调用确保 normal_() 执行完成之后，我们才开始在侧流上运行 sum(A)。 torch.Tensor.record_stream()（有关更多详细信息，请参阅）确保我们在 sum(A) 完成之前不会释放 A。您也可以在以后的某个时间点使用 torch.cuda.default_stream(cuda).wait_stream(s) 手动等待流（请注意，立即等待毫无意义，因为这将阻止流执行与默认流上的其他工作并行运行）。有关何时使用一个或另一个，请参阅 torch.Tensor.record_stream() 的文档。
请注意，即使没有读取依赖关系，也需要这种同步，例如，如以下示例所示
cuda = torch.device('cuda')
s = torch.cuda.Stream() # Create a new stream.
A = torch.empty((100, 100), device=cuda)
s.wait_stream(torch.cuda.default_stream(cuda)) # STILL REQUIRED!
with torch.cuda.stream(s):
A.normal_(0.0, 1.0)
A.record_stream(s)
尽管 s 上的计算没有读取 A 的内容，并且没有其他使用 A，但仍然需要同步，因为 A 可能对应于 CUDA 缓存分配器重新分配的内存，并且具有来自旧（已释放）内存的挂起操作。
反向传播的流语义¶
每个反向 CUDA 操作都在与之对应的正向操作相同的流上运行。如果你的正向传播在不同的流上并行运行独立的操作，这将有助于反向传播利用相同的并行性。
反向调用相对于周围操作的流语义与任何其他调用相同。即使反向操作在多个流上运行，如前一段所述，反向传播也会插入内部同步以确保这一点。更具体地说，当调用 autograd.backward、autograd.grad 或 tensor.backward，并可选地提供 CUDA 张量作为初始梯度（例如，autograd.backward(..., grad_tensors=initial_grads)、autograd.grad(..., grad_outputs=initial_grads) 或 tensor.backward(..., gradient=initial_grad)）时，以下行为：
可选地填充初始梯度，
调用反向传播，以及
使用梯度
具有与任何操作组相同的流语义关系。
s = torch.cuda.Stream()
# Safe, grads are used in the same stream context as backward()
with torch.cuda.stream(s):
loss.backward()
use grads
# Unsafe
with torch.cuda.stream(s):
loss.backward()
use grads
# Safe, with synchronization
with torch.cuda.stream(s):
loss.backward()
torch.cuda.current_stream().wait_stream(s)
use grads
# Safe, populating initial grad and invoking backward are in the same stream context
with torch.cuda.stream(s):
loss.backward(gradient=torch.ones_like(loss))
# Unsafe, populating initial_grad and invoking backward are in different stream contexts,
# without synchronization
initial_grad = torch.ones_like(loss)
with torch.cuda.stream(s):
loss.backward(gradient=initial_grad)
# Safe, with synchronization
initial_grad = torch.ones_like(loss)
s.wait_stream(torch.cuda.current_stream())
with torch.cuda.stream(s):
initial_grad.record_stream(s)
loss.backward(gradient=initial_grad)
BC 注意：在默认流上使用梯度¶
在 PyTorch 的早期版本（1.9 及更早版本）中，autograd 引擎始终将默认流与所有反向操作同步，因此以下模式
with torch.cuda.stream(s):
loss.backward()
use grads
只要 use grads 发生在默认流上，就是安全的。在当前的 PyTorch 中，该模式不再安全。如果 backward() 和 use grads 处于不同的流上下文中，则必须同步流
with torch.cuda.stream(s):
loss.backward()
torch.cuda.current_stream().wait_stream(s)
use grads
即使 use grads 位于默认流上。
内存管理¶
PyTorch 使用缓存内存分配器来加速内存分配。这允许快速内存释放，而无需设备同步。但是，分配器管理的未用内存仍将在 nvidia-smi 中显示为已使用。您可以使用 memory_allocated() 和 max_memory_allocated() 监控张量占用的内存，并使用 memory_reserved() 和 max_memory_reserved() 监控缓存分配器管理的总内存量。调用 empty_cache() 会释放 PyTorch 中所有 **未用** 的缓存内存，以便其他 GPU 应用程序可以使用这些内存。但是，张量占用的 GPU 内存不会被释放，因此它无法增加可用于 PyTorch 的 GPU 内存量。
为了更好地了解 CUDA 内存随时间的变化，了解 CUDA 内存使用情况 描述了用于捕获和可视化内存使用跟踪的工具。
对于更高级的用户，我们通过 memory_stats() 提供更全面的内存基准测试。我们还提供通过 memory_snapshot() 捕获内存分配器状态的完整快照的功能，这可以帮助您了解代码产生的底层分配模式。
使用 PYTORCH_CUDA_ALLOC_CONF 优化内存使用¶
使用缓存分配器可能会干扰内存检查工具，例如 cuda-memcheck。要使用 cuda-memcheck 调试内存错误，请在您的环境中设置 PYTORCH_NO_CUDA_MEMORY_CACHING=1 以禁用缓存。
缓存分配器的行为可以通过环境变量 PYTORCH_CUDA_ALLOC_CONF 控制。格式为 PYTORCH_CUDA_ALLOC_CONF=<option>:<value>,<option2>:<value2>... 可用选项
backend允许选择底层分配器实现。目前，有效选项为native，它使用 PyTorch 的原生实现，以及cudaMallocAsync，它使用 CUDA 的内置异步分配器。cudaMallocAsync需要 CUDA 11.4 或更高版本。默认值为native。backend应用于进程使用的所有设备，不能按设备指定。max_split_size_mb阻止原生分配器拆分大于此大小（以 MB 为单位）的块。这可以减少碎片，并可能允许一些临界工作负载在不耗尽内存的情况下完成。性能成本可能从“零”到“实质性”不等，具体取决于分配模式。默认值为无限制，即所有块都可以拆分。memory_stats()和memory_summary()方法对于调整很有用。此选项应作为最后的手段用于因“内存不足”而中止的工作负载，并显示大量非活动拆分块。max_split_size_mb仅对backend:native有意义。对于backend:cudaMallocAsync，max_split_size_mb将被忽略。roundup_power2_divisions帮助将请求的分配大小四舍五入到最接近的 2 的幂次方除法，并更好地利用块。在原生 CUDACachingAllocator 中，大小以 512 字节的块大小为倍数向上取整，因此对于较小的尺寸来说效果很好。但是，对于较大的相邻分配来说，这可能效率低下，因为每个分配都将使用不同大小的块，并且这些块的重复使用将被最小化。这可能会创建许多未使用的块，并浪费 GPU 内存容量。此选项启用将分配大小四舍五入到最接近的 2 的幂次方除法。例如，如果我们需要将 1200 的大小向上取整，并且除法次数为 4，则大小 1200 介于 1024 和 2048 之间，如果我们在它们之间进行 4 次除法，则值为 1024、1280、1536 和 1792。因此，1200 的分配大小将四舍五入到 1280，因为它是 2 的幂次方除法的最近上限。指定一个值以应用于所有分配大小，或者指定一个键值对数组，以分别为每个 2 的幂次方间隔设置 2 的幂次方除法。例如，要为所有小于 256MB 的分配设置 1 次除法，为 256MB 到 512MB 之间的分配设置 2 次除法，为 512MB 到 1GB 之间的分配设置 4 次除法，以及为所有更大的分配设置 8 次除法，请将旋钮值设置为：[256:1,512:2,1024:4,>:8]。roundup_power2_divisions仅在backend:native有意义。在backend:cudaMallocAsync中，roundup_power2_divisions将被忽略。garbage_collection_threshold帮助主动回收未使用的 GPU 内存，以避免触发昂贵的同步和全部回收操作（release_cached_blocks），这对于对延迟敏感的 GPU 应用程序（例如，服务器）来说可能不利。设置此阈值后（例如，0.8），如果 GPU 内存容量使用率超过阈值（即 GPU 应用程序分配的总内存的 80%），分配器将开始回收 GPU 内存块。该算法优先释放旧的和未使用的块，以避免释放正在积极重复使用的块。阈值应大于 0.0 且小于 1.0。garbage_collection_threshold仅在backend:native有意义。在backend:cudaMallocAsync中，garbage_collection_threshold将被忽略。expandable_segments（实验性，默认：False）如果设置为True，此设置指示分配器创建可以稍后扩展的 CUDA 分配，以更好地处理作业频繁更改分配大小的情况，例如具有不断变化的批次大小。通常对于大型（>2MB）分配，分配器会调用 cudaMalloc 来获取与用户请求大小相同的分配。将来，如果这些分配的某些部分是空闲的，它们可以被重用于其他请求。当程序对完全相同的大小或大小为该大小的倍数的请求进行多次请求时，这非常有效。许多深度学习模型都遵循这种行为。但是，一个常见的例外是当批次大小从一次迭代到下次迭代略有变化时，例如在批次推理中。当程序最初以批次大小N运行时，它将进行适合该大小的分配。如果将来以大小N - 1运行，现有的分配仍然足够大。但是，如果它以大小N + 1运行，那么它将不得不进行新的分配，这些分配略大。并非所有张量的大小都相同。有些可能是(N + 1)*A，而另一些可能是(N + 1)*A*B，其中A和B是模型中的一些非批次维度。由于分配器在现有分配足够大时会重用它们，因此一些(N + 1)*A分配实际上将适合已经存在的N*B*A段中，尽管并不完美。随着模型的运行，它将部分填充所有这些段，在这些段的末尾留下不可用的空闲内存片。分配器在某个时候将需要cudaMalloc一个新的(N + 1)*A*B段。如果没有足够的内存，现在就无法恢复现有段末尾的空闲内存片。对于深度超过 50 层的模型，这种模式可能会重复 50 多次，从而创建许多碎片。expandable_segments 允许分配器最初创建一个段，然后在需要更多内存时扩展其大小。它不是为每个分配创建一个段，而是尝试创建一个（每个流）段，该段根据需要增长。现在，当N + 1情况运行时，分配将很好地排列在一个大段中，直到它填满。然后请求更多内存并将其追加到段的末尾。此过程不会创建太多不可用的内存碎片，因此更有可能成功找到此内存。
pinned_use_cuda_host_register 选项是一个布尔标志，用于确定是使用 CUDA API 的 cudaHostRegister 函数来分配固定内存，还是使用默认的 cudaHostAlloc。当设置为 True 时，内存使用常规 malloc 分配，然后在调用 cudaHostRegister 之前将页面映射到内存。此页面的预映射有助于减少 cudaHostRegister 执行期间的锁定时间。
pinned_num_register_threads 选项仅在 pinned_use_cuda_host_register 设置为 True 时有效。默认情况下，使用一个线程来映射页面。此选项允许使用更多线程来并行化页面映射操作，以减少固定内存的整体分配时间。根据基准测试结果，此选项的最佳值为 8。
注意
CUDA 内存管理 API 报告的一些统计信息特定于 backend:native，在 backend:cudaMallocAsync 中没有意义。有关详细信息，请参阅每个函数的文档字符串。
为 CUDA 使用自定义内存分配器¶
可以将分配器定义为 C/C++ 中的简单函数，并将它们编译为共享库，以下代码显示了一个基本的分配器，它只是跟踪所有内存操作。
#include <sys/types.h>
#include <cuda_runtime_api.h>
#include <iostream>
// Compile with g++ alloc.cc -o alloc.so -I/usr/local/cuda/include -shared -fPIC
extern "C" {
void* my_malloc(ssize_t size, int device, cudaStream_t stream) {
void *ptr;
cudaMalloc(&ptr, size);
std::cout<<"alloc "<<ptr<<size<<std::endl;
return ptr;
}
void my_free(void* ptr, ssize_t size, int device, cudaStream_t stream) {
std::cout<<"free "<<ptr<< " "<<stream<<std::endl;
cudaFree(ptr);
}
}
这可以通过 torch.cuda.memory.CUDAPluggableAllocator 在 python 中使用。用户负责提供 .so 文件的路径以及与上面指定的签名匹配的分配/释放函数的名称。
import torch
# Load the allocator
new_alloc = torch.cuda.memory.CUDAPluggableAllocator(
'alloc.so', 'my_malloc', 'my_free')
# Swap the current allocator
torch.cuda.memory.change_current_allocator(new_alloc)
# This will allocate memory in the device using the new allocator
b = torch.zeros(10, device='cuda')
import torch
# Do an initial memory allocator
b = torch.zeros(10, device='cuda')
# Load the allocator
new_alloc = torch.cuda.memory.CUDAPluggableAllocator(
'alloc.so', 'my_malloc', 'my_free')
# This will error since the current allocator was already instantiated
torch.cuda.memory.change_current_allocator(new_alloc)
cuBLAS 工作区¶
对于每个 cuBLAS 处理程序和 CUDA 流的组合，如果该处理程序和流组合执行需要工作区的 cuBLAS 内核，则将分配一个 cuBLAS 工作区。为了避免重复分配工作区，这些工作区不会被释放，除非调用 torch._C._cuda_clearCublasWorkspaces()。每次分配的工作区大小可以通过环境变量 CUBLAS_WORKSPACE_CONFIG 指定，格式为 :[SIZE]:[COUNT]。例如，每次分配的默认工作区大小为 CUBLAS_WORKSPACE_CONFIG=:4096:2:16:8，它指定了总大小为 2 * 4096 + 8 * 16 KiB。要强制 cuBLAS 避免使用工作区，请设置 CUBLAS_WORKSPACE_CONFIG=:0:0。
cuFFT 计划缓存¶
对于每个 CUDA 设备，使用 cuFFT 计划的 LRU 缓存来加速在具有相同配置的相同几何形状的 CUDA 张量上重复运行 FFT 方法（例如，torch.fft.fft()）。因为一些 cuFFT 计划可能会分配 GPU 内存，所以这些缓存具有最大容量。
您可以使用以下 API 控制和查询当前设备缓存的属性。
torch.backends.cuda.cufft_plan_cache.max_size给出缓存的容量（在 CUDA 10 及更高版本上默认为 4096，在较旧的 CUDA 版本上默认为 1023）。直接设置此值会修改容量。torch.backends.cuda.cufft_plan_cache.size给出当前驻留在缓存中的计划数量。torch.backends.cuda.cufft_plan_cache.clear()清除缓存。
要控制和查询非默认设备的计划缓存，您可以使用 torch.device 对象或设备索引索引 torch.backends.cuda.cufft_plan_cache 对象，并访问上述属性之一。例如，要设置设备 1 的缓存容量，可以编写 torch.backends.cuda.cufft_plan_cache[1].max_size = 10。
即时编译¶
PyTorch 在对 CUDA 张量执行某些操作（例如 torch.special.zeta）时会进行即时编译。这种编译可能很耗时（根据您的硬件和软件，最多可能需要几秒钟），并且可能对单个运算符多次发生，因为许多 PyTorch 运算符实际上从各种内核中进行选择，每个内核都必须编译一次，具体取决于它们的输入。这种编译在每个进程中发生一次，或者如果使用内核缓存，则只发生一次。
默认情况下，PyTorch 在 $XDG_CACHE_HOME/torch/kernels 中创建内核缓存（如果定义了 XDG_CACHE_HOME）以及 $HOME/.cache/torch/kernels（如果未定义，Windows 除外，Windows 上尚不支持内核缓存）。可以使用两个环境变量直接控制缓存行为。如果 USE_PYTORCH_KERNEL_CACHE 设置为 0，则不使用缓存，如果设置了 PYTORCH_KERNEL_CACHE_PATH，则该路径将用作内核缓存，而不是默认位置。
最佳实践¶
与设备无关的代码¶
由于 PyTorch 的结构，您可能需要显式编写与设备无关的（CPU 或 GPU）代码；例如，可以创建一个新的张量作为循环神经网络的初始隐藏状态。
第一步是确定是否应该使用 GPU。一个常见的模式是使用 Python 的 argparse 模块读取用户参数，并设置一个标志来禁用 CUDA，并结合 is_available()。在以下示例中，args.device 会生成一个 torch.device 对象，可以用来将张量移动到 CPU 或 CUDA 上。
import argparse
import torch
parser = argparse.ArgumentParser(description='PyTorch Example')
parser.add_argument('--disable-cuda', action='store_true',
help='Disable CUDA')
args = parser.parse_args()
args.device = None
if not args.disable_cuda and torch.cuda.is_available():
args.device = torch.device('cuda')
else:
args.device = torch.device('cpu')
注意
在评估给定环境中 CUDA 的可用性时 (is_available())，PyTorch 的默认行为是调用 CUDA 运行时 API 方法 cudaGetDeviceCount。因为这个调用会反过来初始化 CUDA 驱动程序 API（通过 cuInit），如果它还没有被初始化，随后对已经运行了 is_available() 的进程进行的 fork 操作将会失败，并出现 CUDA 初始化错误。
可以在导入执行 is_available() 的 PyTorch 模块（或直接执行它）之前，在你的环境中设置 PYTORCH_NVML_BASED_CUDA_CHECK=1，以便将 is_available() 指向尝试基于 NVML 的评估 (nvmlDeviceGetCount_v2)。如果基于 NVML 的评估成功（即 NVML 发现/初始化没有失败），is_available() 调用不会影响后续的 fork 操作。
如果 NVML 发现/初始化失败，is_available() 将回退到标准 CUDA 运行时 API 评估，并且上述 fork 限制将适用。
请注意，以上基于 NVML 的 CUDA 可用性评估提供的保证比默认的 CUDA 运行时 API 方法（需要 CUDA 初始化成功）弱。在某些情况下，基于 NVML 的检查可能会成功，但随后的 CUDA 初始化会失败。
现在我们有了 args.device，我们可以用它在所需的设备上创建张量。
x = torch.empty((8, 42), device=args.device)
net = Network().to(device=args.device)
这可以在许多情况下用于生成与设备无关的代码。以下是在使用数据加载器时的示例
cuda0 = torch.device('cuda:0') # CUDA GPU 0
for i, x in enumerate(train_loader):
x = x.to(cuda0)
在使用系统上的多个 GPU 时，可以使用 CUDA_VISIBLE_DEVICES 环境标志来管理哪些 GPU 可用于 PyTorch。如上所述，要手动控制在哪个 GPU 上创建张量，最佳实践是使用 torch.cuda.device 上下文管理器。
print("Outside device is 0") # On device 0 (default in most scenarios)
with torch.cuda.device(1):
print("Inside device is 1") # On device 1
print("Outside device is still 0") # On device 0
如果您有一个张量，并且想要在同一个设备上创建一个相同类型的新张量，那么可以使用 torch.Tensor.new_* 方法（参见 torch.Tensor）。虽然前面提到的 torch.* 工厂函数（创建操作）依赖于当前的 GPU 上下文和您传入的属性参数，但 torch.Tensor.new_* 方法保留了张量的设备和其他属性。
这是在创建模块时推荐的做法，在这些模块中，需要在正向传递过程中内部创建新的张量。
cuda = torch.device('cuda')
x_cpu = torch.empty(2)
x_gpu = torch.empty(2, device=cuda)
x_cpu_long = torch.empty(2, dtype=torch.int64)
y_cpu = x_cpu.new_full([3, 2], fill_value=0.3)
print(y_cpu)
tensor([[ 0.3000, 0.3000],
[ 0.3000, 0.3000],
[ 0.3000, 0.3000]])
y_gpu = x_gpu.new_full([3, 2], fill_value=-5)
print(y_gpu)
tensor([[-5.0000, -5.0000],
[-5.0000, -5.0000],
[-5.0000, -5.0000]], device='cuda:0')
y_cpu_long = x_cpu_long.new_tensor([[1, 2, 3]])
print(y_cpu_long)
tensor([[ 1, 2, 3]])
如果您想创建一个与另一个张量类型和大小相同的张量，并用 1 或 0 填充它，ones_like() 或 zeros_like() 提供了方便的辅助函数（它们也保留了 torch.device 和 torch.dtype 张量）。
x_cpu = torch.empty(2, 3)
x_gpu = torch.empty(2, 3)
y_cpu = torch.ones_like(x_cpu)
y_gpu = torch.zeros_like(x_gpu)
使用固定内存缓冲区¶
警告
这是一个高级技巧。如果您过度使用固定内存，当内存不足时可能会导致严重问题，您应该知道固定通常是一个昂贵的操作。
当主机到 GPU 的复制来自固定（页面锁定）内存时，速度会快得多。CPU 张量和存储公开了一个 pin_memory() 方法，该方法返回对象的副本，并将数据放入固定区域。
此外，一旦您固定了张量或存储，就可以使用异步 GPU 复制。只需将一个额外的 non_blocking=True 参数传递给 to() 或 cuda() 调用。这可以用于将数据传输与计算重叠。
您可以通过将 pin_memory=True 传递给它的构造函数，使 DataLoader 返回放置在固定内存中的批次。
使用 nn.parallel.DistributedDataParallel 而不是 multiprocessing 或 nn.DataParallel¶
大多数涉及批处理输入和多个 GPU 的用例应该默认使用 DistributedDataParallel 来利用多个 GPU。
使用 CUDA 模型与 multiprocessing 存在重大注意事项；除非小心地满足数据处理要求，否则您的程序很可能会有不正确或未定义的行为。
建议使用 DistributedDataParallel，而不是 DataParallel 来进行多 GPU 训练，即使只有一个节点。
DistributedDataParallel 和 DataParallel 之间的区别在于：DistributedDataParallel 使用多进程，为每个 GPU 创建一个进程，而 DataParallel 使用多线程。通过使用多进程，每个 GPU 都有其专用的进程，这避免了 Python 解释器 GIL 造成的性能开销。
如果您使用 DistributedDataParallel，您可以使用 torch.distributed.launch 实用程序启动您的程序，请参见 第三方后端。
CUDA 图¶
CUDA 图是 CUDA 流及其依赖流执行的工作（主要是内核及其参数）的记录。有关底层 CUDA API 的一般原理和详细信息，请参见 CUDA 图入门 和 CUDA C 编程指南的 图部分。
PyTorch 支持使用 流捕获 来构建 CUDA 图，这会将 CUDA 流置于捕获模式。发出到捕获流的 CUDA 工作实际上不会在 GPU 上运行。相反，工作将记录在图中。
捕获后，可以启动该图以根据需要运行 GPU 工作。每次重放都会运行相同的内核，使用相同的参数。对于指针参数，这意味着使用相同的内存地址。通过在每次重放之前用新数据（例如，来自新批次）填充输入内存，您可以对新数据重新运行相同的工作。
为什么使用 CUDA 图？¶
重放图牺牲了典型急切执行的动态灵活性，以换取大大减少的 CPU 开销。图的参数和内核是固定的，因此图重放跳过所有参数设置和内核调度层，包括 Python、C++ 和 CUDA 驱动程序开销。在幕后，重放使用对 cudaGraphLaunch 的单次调用将整个图的工作提交到 GPU。重放中的内核在 GPU 上的执行速度也略快，但消除 CPU 开销是主要优势。
如果您的网络的全部或部分是图安全的（通常这意味着静态形状和静态控制流，但请参见其他 约束），并且您怀疑其运行时至少在某种程度上受 CPU 限制，则应尝试使用 CUDA 图。
PyTorch API¶
警告
此 API 处于测试阶段，可能会在将来的版本中发生变化。
PyTorch 通过原始的 torch.cuda.CUDAGraph 类和两个便捷包装器 torch.cuda.graph 和 torch.cuda.make_graphed_callables 公开图。
torch.cuda.graph 是一种简单且通用的上下文管理器，用于在其上下文中捕获 CUDA 工作。在捕获之前，通过运行一些急切迭代来预热要捕获的工作负载。预热必须在辅助流上进行。由于图在每次重播中都会从相同的内存地址读取并写入，因此在捕获期间，您必须维护对保存输入和输出数据的张量的长期引用。要在新输入数据上运行图，请将新数据复制到捕获的输入张量，重播图，然后从捕获的输出张量读取新的输出。示例
g = torch.cuda.CUDAGraph()
# Placeholder input used for capture
static_input = torch.empty((5,), device="cuda")
# Warmup before capture
s = torch.cuda.Stream()
s.wait_stream(torch.cuda.current_stream())
with torch.cuda.stream(s):
for _ in range(3):
static_output = static_input * 2
torch.cuda.current_stream().wait_stream(s)
# Captures the graph
# To allow capture, automatically sets a side stream as the current stream in the context
with torch.cuda.graph(g):
static_output = static_input * 2
# Fills the graph's input memory with new data to compute on
static_input.copy_(torch.full((5,), 3, device="cuda"))
g.replay()
# static_output holds the results
print(static_output) # full of 3 * 2 = 6
# Fills the graph's input memory with more data to compute on
static_input.copy_(torch.full((5,), 4, device="cuda"))
g.replay()
print(static_output) # full of 4 * 2 = 8
有关现实和高级模式，请参阅 整个网络捕获、与 torch.cuda.amp 的使用 和 使用多个流。
make_graphed_callables 更加复杂。 make_graphed_callables 接受 Python 函数和 torch.nn.Module。对于每个传递的函数或模块，它会创建前向传递和反向传递工作的单独图。请参阅 部分网络捕获。
约束¶
如果一组操作不违反以下任何约束，则该组操作是可捕获的。
约束适用于 torch.cuda.graph 上下文中的所有工作，以及您传递给 torch.cuda.make_graphed_callables() 的任何可调用对象的正向和反向传递中的所有工作。
违反任何这些约束可能会导致运行时错误。
捕获必须在非默认流上进行。（这只有在您使用原始的
CUDAGraph.capture_begin和CUDAGraph.capture_end调用时才是一个问题。graph和make_graphed_callables()为您设置了一个旁路流。）禁止执行将 CPU 与 GPU 同步的操作（例如，
.item()调用）。允许使用 CUDA RNG 操作，但必须使用默认生成器。例如，禁止显式构造新的
torch.Generator实例并将其作为generator参数传递给 RNG 函数。
违反任何这些约束可能会导致静默的数值错误或未定义的行为。
在一个进程中，一次只能进行一个捕获。
在捕获进行时，此进程（在任何线程上）中不允许运行任何未捕获的 CUDA 工作。
CPU 工作不会被捕获。如果捕获的操作包括 CPU 工作，则该工作将在重放期间被省略。
每次重放都从相同的（虚拟）内存地址读取和写入。
禁止使用动态控制流（基于 CPU 或 GPU 数据）。
禁止使用动态形状。该图假定捕获的操作序列中的每个张量在每次重放中都具有相同的大小和布局。
在捕获中使用多个流是允许的，但存在 限制。
非约束¶
捕获后，图可以在任何流上回放。
全网络捕获¶
如果您的整个网络都可以捕获，您可以捕获并回放整个迭代。
N, D_in, H, D_out = 640, 4096, 2048, 1024
model = torch.nn.Sequential(torch.nn.Linear(D_in, H),
torch.nn.Dropout(p=0.2),
torch.nn.Linear(H, D_out),
torch.nn.Dropout(p=0.1)).cuda()
loss_fn = torch.nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.1)
# Placeholders used for capture
static_input = torch.randn(N, D_in, device='cuda')
static_target = torch.randn(N, D_out, device='cuda')
# warmup
# Uses static_input and static_target here for convenience,
# but in a real setting, because the warmup includes optimizer.step()
# you must use a few batches of real data.
s = torch.cuda.Stream()
s.wait_stream(torch.cuda.current_stream())
with torch.cuda.stream(s):
for i in range(3):
optimizer.zero_grad(set_to_none=True)
y_pred = model(static_input)
loss = loss_fn(y_pred, static_target)
loss.backward()
optimizer.step()
torch.cuda.current_stream().wait_stream(s)
# capture
g = torch.cuda.CUDAGraph()
# Sets grads to None before capture, so backward() will create
# .grad attributes with allocations from the graph's private pool
optimizer.zero_grad(set_to_none=True)
with torch.cuda.graph(g):
static_y_pred = model(static_input)
static_loss = loss_fn(static_y_pred, static_target)
static_loss.backward()
optimizer.step()
real_inputs = [torch.rand_like(static_input) for _ in range(10)]
real_targets = [torch.rand_like(static_target) for _ in range(10)]
for data, target in zip(real_inputs, real_targets):
# Fills the graph's input memory with new data to compute on
static_input.copy_(data)
static_target.copy_(target)
# replay() includes forward, backward, and step.
# You don't even need to call optimizer.zero_grad() between iterations
# because the captured backward refills static .grad tensors in place.
g.replay()
# Params have been updated. static_y_pred, static_loss, and .grad
# attributes hold values from computing on this iteration's data.
部分网络捕获¶
如果您的网络中某些部分不安全（例如，由于动态控制流、动态形状、CPU 同步或必要的 CPU 端逻辑），您可以急切地运行不安全部分，并使用 torch.cuda.make_graphed_callables() 仅对捕获安全的部件进行图形化。
默认情况下，由 make_graphed_callables() 返回的可调用对象是自动微分感知的，可以在训练循环中用作您传递的函数或 nn.Module 的直接替换。
make_graphed_callables() 在内部创建 CUDAGraph 对象，运行预热迭代，并根据需要维护静态输入和输出。因此（与 torch.cuda.graph 不同），您不需要手动处理这些操作。
在以下示例中，数据相关的动态控制流意味着网络无法端到端捕获，但 make_graphed_callables() 允许我们将捕获安全的节段作为图形捕获和运行，无论如何。
N, D_in, H, D_out = 640, 4096, 2048, 1024
module1 = torch.nn.Linear(D_in, H).cuda()
module2 = torch.nn.Linear(H, D_out).cuda()
module3 = torch.nn.Linear(H, D_out).cuda()
loss_fn = torch.nn.MSELoss()
optimizer = torch.optim.SGD(chain(module1.parameters(),
module2.parameters(),
module3.parameters()),
lr=0.1)
# Sample inputs used for capture
# requires_grad state of sample inputs must match
# requires_grad state of real inputs each callable will see.
x = torch.randn(N, D_in, device='cuda')
h = torch.randn(N, H, device='cuda', requires_grad=True)
module1 = torch.cuda.make_graphed_callables(module1, (x,))
module2 = torch.cuda.make_graphed_callables(module2, (h,))
module3 = torch.cuda.make_graphed_callables(module3, (h,))
real_inputs = [torch.rand_like(x) for _ in range(10)]
real_targets = [torch.randn(N, D_out, device="cuda") for _ in range(10)]
for data, target in zip(real_inputs, real_targets):
optimizer.zero_grad(set_to_none=True)
tmp = module1(data) # forward ops run as a graph
if tmp.sum().item() > 0:
tmp = module2(tmp) # forward ops run as a graph
else:
tmp = module3(tmp) # forward ops run as a graph
loss = loss_fn(tmp, target)
# module2's or module3's (whichever was chosen) backward ops,
# as well as module1's backward ops, run as graphs
loss.backward()
optimizer.step()
与 torch.cuda.amp 的用法¶
对于典型的优化器，GradScaler.step 会同步 CPU 和 GPU，这在捕获期间是被禁止的。为了避免错误，请使用 部分网络捕获，或者（如果前向、损失和反向是捕获安全的）捕获前向、损失和反向，但不捕获优化器步骤。
# warmup
# In a real setting, use a few batches of real data.
s = torch.cuda.Stream()
s.wait_stream(torch.cuda.current_stream())
with torch.cuda.stream(s):
for i in range(3):
optimizer.zero_grad(set_to_none=True)
with torch.cuda.amp.autocast():
y_pred = model(static_input)
loss = loss_fn(y_pred, static_target)
scaler.scale(loss).backward()
scaler.step(optimizer)
scaler.update()
torch.cuda.current_stream().wait_stream(s)
# capture
g = torch.cuda.CUDAGraph()
optimizer.zero_grad(set_to_none=True)
with torch.cuda.graph(g):
with torch.cuda.amp.autocast():
static_y_pred = model(static_input)
static_loss = loss_fn(static_y_pred, static_target)
scaler.scale(static_loss).backward()
# don't capture scaler.step(optimizer) or scaler.update()
real_inputs = [torch.rand_like(static_input) for _ in range(10)]
real_targets = [torch.rand_like(static_target) for _ in range(10)]
for data, target in zip(real_inputs, real_targets):
static_input.copy_(data)
static_target.copy_(target)
g.replay()
# Runs scaler.step and scaler.update eagerly
scaler.step(optimizer)
scaler.update()
使用多个流¶
捕获模式会自动传播到与捕获流同步的任何流。在捕获中，您可以通过对不同流发出调用来暴露并行性，但整个流依赖关系 DAG 必须在捕获开始后从初始捕获流分支出来，并在捕获结束之前重新加入初始流。
with torch.cuda.graph(g):
# at context manager entrance, torch.cuda.current_stream()
# is the initial capturing stream
# INCORRECT (does not branch out from or rejoin initial stream)
with torch.cuda.stream(s):
cuda_work()
# CORRECT:
# branches out from initial stream
s.wait_stream(torch.cuda.current_stream())
with torch.cuda.stream(s):
cuda_work()
# rejoins initial stream before capture ends
torch.cuda.current_stream().wait_stream(s)
注意
为了避免对查看 nsight 系统或 nvprof 中回放的资深用户造成混淆：与急切执行不同，图将捕获中非平凡的流 DAG 解释为提示，而不是命令。在回放期间，图可能会将独立的操作重新组织到不同的流上，或者以不同的顺序排队（同时尊重原始 DAG 的整体依赖关系）。
使用 DistributedDataParallel¶
NCCL < 2.9.6¶
早于 2.9.6 的 NCCL 版本不允许捕获集体操作。您必须使用 部分网络捕获，它会将所有归约推迟到反向的图形化部分之外发生。
在使用 DDP 包装网络之前，请在可图形化网络部分上调用 make_graphed_callables()。
NCCL >= 2.9.6¶
2.9.6 或更高版本的 NCCL 允许图中的集体操作。捕获 整个反向传播 的方法是一个可行的选择，但需要三个设置步骤。
禁用 DDP 的内部异步错误处理
os.environ["NCCL_ASYNC_ERROR_HANDLING"] = "0" torch.distributed.init_process_group(...)
在全反向捕获之前，DDP 必须在侧流上下文中构建
with torch.cuda.stream(s): model = DistributedDataParallel(model)
您的预热必须在捕获之前运行至少 11 个启用 DDP 的急切迭代。
图内存管理¶
捕获的图在每次回放时都会作用于相同的虚拟地址。如果 PyTorch 释放了内存，之后的回放可能会遇到非法内存访问。如果 PyTorch 将内存重新分配给新的张量，回放可能会破坏这些张量所见的值。因此，图使用的虚拟地址必须在回放过程中为图保留。PyTorch 缓存分配器通过检测捕获何时进行并从图专用内存池中满足捕获的分配来实现这一点。专用池会一直存在，直到其 CUDAGraph 对象和捕获期间创建的所有张量超出范围。
专用池会自动维护。默认情况下，分配器会为每个捕获创建单独的专用池。如果您捕获多个图，这种保守的方法可以确保图回放永远不会破坏彼此的值，但有时会不必要地浪费内存。
跨捕获共享内存¶
为了节省专用池中存储的内存，torch.cuda.graph 和 torch.cuda.make_graphed_callables() 可选地允许不同的捕获共享相同的专用池。如果知道一组图将始终按捕获的顺序回放，并且永远不会并发回放，那么它们共享专用池是安全的。
torch.cuda.graph 的 pool 参数是使用特定专用池的提示，可用于跨图共享内存，如所示
g1 = torch.cuda.CUDAGraph()
g2 = torch.cuda.CUDAGraph()
# (create static inputs for g1 and g2, run warmups of their workloads...)
# Captures g1
with torch.cuda.graph(g1):
static_out_1 = g1_workload(static_in_1)
# Captures g2, hinting that g2 may share a memory pool with g1
with torch.cuda.graph(g2, pool=g1.pool()):
static_out_2 = g2_workload(static_in_2)
static_in_1.copy_(real_data_1)
static_in_2.copy_(real_data_2)
g1.replay()
g2.replay()
使用 torch.cuda.make_graphed_callables()，如果您想绘制多个可调用对象，并且知道它们将始终按相同的顺序运行（并且永远不会并发运行），请按它们在实时工作负载中运行的顺序将它们作为元组传递，然后 make_graphed_callables() 将使用共享的专用池捕获它们的图。
如果在实际工作负载中，您的可调用对象以偶尔变化的顺序运行，或者它们并发运行，则不允许将它们作为元组传递给单个 make_graphed_callables() 调用。相反，您必须为每个可调用对象单独调用 make_graphed_callables()。
