torch.cuda.memory_stats¶
- torch.cuda.memory_stats(device=None)[源代码]¶
返回给定设备的 CUDA 内存分配器统计信息字典。
此函数的返回值是统计信息字典，每个统计信息都是一个非负整数。
核心统计信息
"allocated.{all,large_pool,small_pool}.{current,peak,allocated,freed}": 内存分配器收到的分配请求数量。"allocated_bytes.{all,large_pool,small_pool}.{current,peak,allocated,freed}": 已分配的内存量。"segment.{all,large_pool,small_pool}.{current,peak,allocated,freed}": 从cudaMalloc()预留的段数。"reserved_bytes.{all,large_pool,small_pool}.{current,peak,allocated,freed}": 预留的内存量。"active.{all,large_pool,small_pool}.{current,peak,allocated,freed}": 活动内存块的数量。"active_bytes.{all,large_pool,small_pool}.{current,peak,allocated,freed}": 活动内存量。"inactive_split.{all,large_pool,small_pool}.{current,peak,allocated,freed}": 不活动、不可释放的内存块的数量。"inactive_split_bytes.{all,large_pool,small_pool}.{current,peak,allocated,freed}": 不活动、不可释放的内存量。
对于这些核心统计信息，值按如下方式细分。
池类型
all: 所有内存池的组合统计信息。large_pool: 大型分配池的统计信息（截至 2019 年 10 月，针对大小 >= 1MB 的分配）。small_pool: 小型分配池的统计信息（截至 2019 年 10 月，针对大小 < 1MB 的分配）。
指标类型
current: 此指标的当前值。peak: 此指标的最大值。allocated: 此指标的历史总增长量。freed: 此指标的历史总减少量。
除了核心统计信息之外，我们还提供一些简单的事件计数器
"num_alloc_retries": 导致缓存刷新和重试的失败cudaMalloc调用次数。"num_ooms": 抛出的内存不足错误次数。"num_sync_all_streams":synchronize_and_free_events调用的次数。"num_device_alloc": CUDA 分配调用次数。这包括 cuMemMap 和 cudaMalloc。"num_device_free": CUDA 释放调用次数。这包括 cuMemUnmap 和 cudaFree。
缓存分配器可以通过 ENV 进行配置，以不拆分大于定义大小的块（请参阅 Cuda 语义文档的内存管理部分）。这有助于避免内存碎片，但可能会导致性能下降。其他有助于调整和评估影响的输出
"max_split_size": 大于此大小的块不会被拆分。"oversize_allocations.{current,peak,allocated,freed}": 内存分配器收到的超尺寸分配请求数量。"oversize_segments.{current,peak,allocated,freed}": 从cudaMalloc()预留的超尺寸段数。
缓存分配器可以通过 ENV 进行配置，以对内存分配进行舍入，以减少碎片。有时，舍入带来的开销可能高于它帮助减少的碎片。可以使用以下统计信息来检查舍入是否增加了过多的开销
"requested_bytes.{all,large_pool,small_pool}.{current,peak,allocated,freed}": 客户端代码请求的内存，将其与 allocated_bytes 进行比较以检查分配舍入是否增加了过多的开销。
- 参数
device (torch.device 或 int, 可选) – 选定的设备。如果
device为None（默认值），则返回由current_device()给出的当前设备的统计信息。- 返回类型
注意
有关 GPU 内存管理的更多详细信息，请参见 内存管理。
注意
使用 backend:cudaMallocAsync 时，某些统计信息没有意义，始终报告为零。
