理解基于 TorchDynamo 的 ONNX 导出器内存使用情况

先前的基于 TorchScript 的 ONNX 导出器会执行一次模型以跟踪其执行过程，如果模型的内存需求超过可用的 GPU 内存，则可能导致 GPU 内存耗尽。新的基于 TorchDynamo 的 ONNX 导出器已解决此问题。

基于 TorchDynamo 的 ONNX 导出器利用 FakeTensorMode 来避免在导出过程中执行实际的张量计算。与基于 TorchScript 的 ONNX 导出器相比，这种方法可显著降低内存使用量。

以下示例演示了基于 TorchScript 和基于 TorchDynamo 的 ONNX 导出器之间的内存使用差异。在此示例中，我们使用了 MONAI 中的 HighResNet 模型。在继续之前，请从 PyPI 安装它

pip install monai

PyTorch 提供了一个用于捕获和可视化内存使用情况跟踪的工具。我们将使用此工具记录两个导出器在导出过程中的内存使用情况，并比较结果。您可以在 理解 CUDA 内存使用情况 上找到有关此工具的更多详细信息。

基于 TorchScript 的导出器

可以运行以下代码来生成快照文件，该文件记录导出过程中分配的 CUDA 内存的状态。

import torch

from torch.onnx.utils import export
from monai.networks.nets import (
    HighResNet,
)

torch.cuda.memory._record_memory_history()

model = HighResNet(
    spatial_dims=3, in_channels=1, out_channels=3, norm_type="batch"
).eval()

model = model.to("cuda")
data = torch.randn(30, 1, 48, 48, 48, dtype=torch.float32).to("cuda")

with torch.no_grad():
    export(
        model,
        data,
        "torchscript_exporter_highresnet.onnx",
    )

snapshot_name = f"torchscript_exporter_example.pickle"
print(f"generate {snapshot_name}")

torch.cuda.memory._dump_snapshot(snapshot_name)
print(f"Export is done.")

打开 pytorch.org/memory_viz 并将生成的 pickle 快照文件拖放到可视化工具中。内存使用情况描述如下

通过此图，我们可以看到内存使用峰值高于 2.8GB。

基于 TorchDynamo 的导出器

可以运行以下代码来生成快照文件，该文件记录导出过程中分配的 CUDA 内存的状态。

import torch

from monai.networks.nets import (
    HighResNet,
)

torch.cuda.memory._record_memory_history()

model = HighResNet(
    spatial_dims=3, in_channels=1, out_channels=3, norm_type="batch"
).eval()

model = model.to("cuda")
data = torch.randn(30, 1, 48, 48, 48, dtype=torch.float32).to("cuda")

with torch.no_grad():
    onnx_program = torch.onnx.export(
                        model,
                        data,
                        "test_faketensor.onnx",
                        dynamo=True,
                    )

snapshot_name = f"torchdynamo_exporter_example.pickle"
print(f"generate {snapshot_name}")

torch.cuda.memory._dump_snapshot(snapshot_name)
print(f"Export is done.")

打开 pytorch.org/memory_viz 并将生成的 pickle 快照文件拖放到可视化工具中。内存使用情况描述如下

通过此图，我们可以看到内存使用峰值仅为 45MB 左右。与基于 TorchScript 的导出器的内存使用峰值相比，内存使用量减少了 98%。