了解 CUDA 内存使用¶

为了调试 CUDA 内存使用，PyTorch 提供了一种生成内存快照的方法，该快照可以记录任何时间点已分配的 CUDA 内存的状态，并可以选择记录导致该快照的分配事件的历史记录。

然后可以将生成的快照拖放到 pytorch.org/memory_viz 上托管的交互式查看器中，该查看器可用于浏览快照。

生成快照¶

记录快照的常见模式是启用内存历史记录，运行要观察的代码，然后使用序列化后的快照保存文件

# enable memory history, which will
# add tracebacks and event history to snapshots
torch.cuda.memory._record_memory_history()

run_your_code()
torch.cuda.memory._dump_snapshot("my_snapshot.pickle")

使用可视化工具¶

打开 pytorch.org/memory_viz 并将序列化后的快照文件拖放到可视化工具中。可视化工具是一个在您的计算机上本地运行的 JavaScript 应用程序。它不会上传任何快照数据。

活动内存时间线¶

活动内存时间线在特定 GPU 的快照中显示了所有活动张量随时间变化的情况。在图上平移/缩放以查看较小的分配。将鼠标悬停在已分配的块上，以查看分配该块时的堆栈跟踪，以及地址等详细信息。可以调整详细信息滑块以渲染更少的分配，并在数据量很大时提高性能。

分配器状态历史记录¶

分配器状态历史记录在左侧的时间线中显示了各个分配器事件。在时间线中选择一个事件，以查看该事件发生时分配器状态的可视化摘要。此摘要显示了从 cudaMalloc 返回的每个单独段，以及如何将其拆分为单独分配或可用空间的块。将鼠标悬停在段和块上，以查看分配内存时的堆栈跟踪。将鼠标悬停在事件上，以查看事件发生时的堆栈跟踪，例如释放张量时。内存不足错误将报告为 OOM 事件。查看 OOM 期间的内存状态可以提供有关为什么即使保留内存仍然存在但分配失败的见解。

堆栈跟踪信息还报告了发生分配的地址。地址 b7f064c000000_0 指的是地址 7f064c000000 处的（b）块，这是该地址第“_0”次被分配。可以在活动内存时间线中查找此唯一字符串，并在活动状态历史记录中搜索该字符串，以检查分配或释放张量时的内存状态。

快照 API 参考¶

torch.cuda.memory._record_memory_history(enabled='all', context='all', stacks='all', max_entries=9223372036854775807, device=None)[源代码]¶

启用记录与内存分配相关的堆栈跟踪，以便您在 torch.cuda.memory._snapshot() 中分辨出分配了任何内存的部分。

除了跟踪每个当前分配和释放的堆栈跟踪之外，这还将启用记录所有分配/释放事件的历史记录。

使用 torch.cuda.memory._snapshot() 检索此信息，并使用 _memory_viz.py 中的工具可视化快照。

Python 跟踪收集速度很快（每次跟踪 2 微秒），因此如果您预计将来需要调试内存问题，您可以考虑在生产作业中启用此功能。

C++ 跟踪收集也很快（约 50 纳秒/帧），对于许多典型程序来说，每次跟踪约为 2 微秒，但可能会因堆栈深度而异。

参数

enabled (Literal[None, "state", "all"], 可选) – None，禁用记录内存历史记录。 “state”，保留当前已分配内存的信息。 “all”，另外保留所有分配/释放调用的历史记录。默认为“all”。
context (Literal[None, "state", "alloc", "all"], 可选) – None，不记录任何回溯。 “state”，记录当前已分配内存的回溯。 “alloc”，另外保留分配调用的回溯。 “all”，另外保留释放调用的回溯。默认为“all”。
stacks (Literal["python", "all"], 可选) – “python”，在回溯中包含 Python、TorchScript 和 Inductor 帧 “all”，另外包含 C++ 帧默认为“all”。
max_entries （int，可选） – 在记录的历史记录中最多保留 max_entries 个分配/释放事件。

torch.cuda.memory._snapshot(device=None)[source]¶

在调用时保存 CUDA 内存状态的快照。

状态表示为具有以下结构的字典。

class Snapshot(TypedDict):
    segments : List[Segment]
    device_traces: List[List[TraceEntry]]

class Segment(TypedDict):
    # Segments are memory returned from a cudaMalloc call.
    # The size of reserved memory is the sum of all Segments.
    # Segments are cached and reused for future allocations.
    # If the reuse is smaller than the segment, the segment
    # is split into more then one Block.
    # empty_cache() frees Segments that are entirely inactive.
    address: int
    total_size: int #  cudaMalloc'd size of segment
    stream: int
    segment_type: Literal['small', 'large'] # 'large' (>1MB)
    allocated_size: int # size of memory in use
    active_size: int # size of memory in use or in active_awaiting_free state
    blocks : List[Block]

class Block(TypedDict):
    # A piece of memory returned from the allocator, or
    # current cached but inactive.
    size: int
    requested_size: int # size requested during malloc, may be smaller than
                        # size due to rounding
    address: int
    state: Literal['active_allocated', # used by a tensor
                'active_awaiting_free', # waiting for another stream to finish using
                                        # this, then it will become free
                'inactive',] # free for reuse
    frames: List[Frame] # stack trace from where the allocation occurred

class Frame(TypedDict):
        filename: str
        line: int
        name: str

class TraceEntry(TypedDict):
    # When `torch.cuda.memory._record_memory_history()` is enabled,
    # the snapshot will contain TraceEntry objects that record each
    # action the allocator took.
    action: Literal[
    'alloc'  # memory allocated
    'free_requested', # the allocated received a call to free memory
    'free_completed', # the memory that was requested to be freed is now
                    # able to be used in future allocation calls
    'segment_alloc', # the caching allocator ask cudaMalloc for more memory
                    # and added it as a segment in its cache
    'segment_free',  # the caching allocator called cudaFree to return memory
                    # to cuda possibly trying free up memory to
                    # allocate more segments or because empty_caches was called
    'oom',          # the allocator threw an OOM exception. 'size' is
                    # the requested number of bytes that did not succeed
    'snapshot'      # the allocator generated a memory snapshot
                    # useful to coorelate a previously taken
                    # snapshot with this trace
    ]
    addr: int # not present for OOM
    frames: List[Frame]
    size: int
    stream: int
    device_free: int # only present for OOM, the amount of
                    # memory cuda still reports to be free

返回值: 快照字典对象

torch.cuda.memory._dump_snapshot(filename='dump_snapshot.pickle')[source]¶

将 torch.memory._snapshot() 字典的序列化版本保存到文件中。

此文件可以通过 pytorch.org/memory_viz 上的交互式快照查看器打开。

参数: filename (str，可选） – 要创建的文件的名称。默认为“dump_snapshot.pickle”。