常见问题解答¶

我的模型报告“cuda 运行时错误 (2)：内存不足”¶

正如错误消息所示，您的 GPU 内存不足。由于我们经常在 PyTorch 中处理大量数据，因此小的错误可能会迅速导致程序耗尽所有 GPU 内存；幸运的是，在这些情况下，修复方法通常很简单。以下是一些需要检查的常见事项

**不要在训练循环中累积历史记录。**默认情况下，涉及需要梯度的变量的计算将保留历史记录。这意味着您应该避免在训练循环之外的计算中使用此类变量，例如，在跟踪统计信息时。相反，您应该分离变量或访问其底层数据。

有时，可微分变量何时出现可能并不明显。请考虑以下训练循环（摘自来源）

total_loss = 0
for i in range(10000):
    optimizer.zero_grad()
    output = model(input)
    loss = criterion(output)
    loss.backward()
    optimizer.step()
    total_loss += loss

此处，total_loss 正在训练循环中累积历史记录，因为 loss 是一个具有自动求导历史记录的可微分变量。您可以通过编写 total_loss += float(loss) 来解决此问题。

此问题的其他实例：1。

**不要保留不需要的张量和变量。**如果您将张量或变量分配给局部变量，Python 将在局部变量超出范围之前不会释放它。您可以使用 del x 来释放此引用。同样，如果您将张量或变量分配给对象的成员变量，则在对象超出范围之前，它不会被释放。如果您不保留不需要的临时变量，您将获得最佳的内存使用率。

局部变量的范围可能比您预期的要大。例如

for i in range(5):
    intermediate = f(input[i])
    result += g(intermediate)
output = h(result)
return output

此处，即使在 h 执行时，intermediate 仍然有效，因为它的范围超出了循环的末尾。要尽早释放它，您应该在使用完 intermediate 后将其 del 掉。

**避免在过长的序列上运行 RNN。**反向传播 RNN 所需的内存量与 RNN 输入的长度成线性关系；因此，如果您尝试向 RNN 提供过长的序列，则会耗尽内存。

这种现象的技术术语是时间反向传播，并且有很多关于如何实现截断 BPTT 的参考资料，包括词语言模型示例；截断由 repackage 函数处理，如此论坛帖子所述。

**不要使用过大的线性层。**线性层 nn.Linear(m, n) 使用 $O(nm)$ 内存：也就是说，权重的内存需求与特征数量成二次方关系。很容易以这种方式耗尽内存（请记住，您至少需要权重大小的两倍，因为您还需要存储梯度。）

**考虑使用检查点。**您可以使用检查点来权衡内存和计算量。

我的 GPU 内存未正确释放¶

PyTorch 使用缓存内存分配器来加速内存分配。因此，nvidia-smi 中显示的值通常不反映真实的内存使用情况。有关 GPU 内存管理的更多详细信息，请参阅内存管理。

如果您的 GPU 内存在 Python 退出后仍未释放，则很可能某些 Python 子进程仍在运行。您可以通过 ps -elf | grep python 找到它们，并使用 kill -9 [pid] 手动杀死它们。

我的内存不足异常处理程序无法分配内存¶

您可能有一些代码试图从内存不足错误中恢复。

try:
    run_model(batch_size)
except RuntimeError: # Out of memory
    for _ in range(batch_size):
        run_model(1)

但您会发现，当内存不足时，恢复代码也无法分配内存。这是因为 Python 异常对象持有对引发错误的堆栈帧的引用。这会阻止释放原始张量对象。解决方案是将您的 OOM 恢复代码移到 except 子句之外。

oom = False
try:
    run_model(batch_size)
except RuntimeError: # Out of memory
    oom = True

if oom:
    for _ in range(batch_size):
        run_model(1)

我的数据加载器工作进程返回相同的随机数¶

您可能正在使用其他库在数据集中生成随机数，并且工作子进程是通过 fork 启动的。有关如何使用 worker_init_fn 选项在工作进程中正确设置随机种子的信息，请参阅 torch.utils.data.DataLoader 的文档。

我的循环网络无法与数据并行一起使用¶

在带有 DataParallel 或 data_parallel() 的 Module 中使用 pack sequence -> recurrent network -> unpack sequence 模式时存在一个微妙之处。每个设备上 forward() 的输入将只是整个输入的一部分。因为默认情况下，解包操作 torch.nn.utils.rnn.pad_packed_sequence() 只填充到它看到的最大输入长度，即该特定设备上的最大长度，所以在收集结果时会发生大小不匹配。因此，您可以利用 pad_packed_sequence() 的 total_length 参数来确保 forward() 调用返回相同长度的序列。例如，您可以编写

from torch.nn.utils.rnn import pack_padded_sequence, pad_packed_sequence

class MyModule(nn.Module):
    # ... __init__, other methods, etc.

    # padded_input is of shape [B x T x *] (batch_first mode) and contains
    # the sequences sorted by lengths
    #   B is the batch size
    #   T is max sequence length
    def forward(self, padded_input, input_lengths):
        total_length = padded_input.size(1)  # get the max sequence length
        packed_input = pack_padded_sequence(padded_input, input_lengths,
                                            batch_first=True)
        packed_output, _ = self.my_lstm(packed_input)
        output, _ = pad_packed_sequence(packed_output, batch_first=True,
                                        total_length=total_length)
        return output


m = MyModule().cuda()
dp_m = nn.DataParallel(m)

此外，当批次维度为 dim 1（即 batch_first=False）时，在进行数据并行时需要格外小心。在这种情况下，pack_padded_sequence 的第一个参数 padding_input 的形状为 [T x B x *]，应该沿着 dim 1 散布，但第二个参数 input_lengths 的形状为 [B]，应该沿着 dim 0 散布。需要额外的代码来操作张量形状。