Pytorch有什么节省内存（显存）的小技巧？

点击上方“MLNLP”，选择“星标”

重磅干货，第一时间送达

编辑：忆臻

https://www.zhihu.com/question/274635237

本文仅作为学术交流分享，如果侵权，会删文处理

笔者在知乎上发现了一个叫“Pytorch有什么节省内存（显存）的小技巧？？”的问题，很有意思，下面与大家分享一些大佬们的见解，希望对你的研究有帮助。

知乎高质量回答

作者：郑哲东
https://www.zhihu.com/question/274635237/answer/573633662

在不修改网络结构的情况下, 有如下操作：

1. 同意

   @Jiaming

    ,  尽可能使用inplace操作， 比如relu 可以使用 inplace=True

   
   

2. 进一步，比如ResNet 和 DenseNet 可以将 batchnorm 和relu打包成inplace，在bp时再重新计算。使用到了pytorch新的checkpoint特性，有以下两个代码。由于需要重新计算bn后的结果，所以会慢一些。

• gpleiss/efficient_densenet_pytorch

• mapillary/inplace_abn

3. 每次循环结束时 删除 loss，可以节约很少显存，但聊胜于无。可见如下issue

Tensor to Variable and memory freeing best practices

4. 使用float16精度混合计算。我用过

@NVIDIA英伟达

apex，很好用，可以节约将近50%的显存，但是要小心一些不安全的操作如 mean和sum，溢出fp16。

NVIDIA/apex

5. 对于不需要bp的forward，如validation 请使用 torch.no_grad ,  注意model.eval() 不等于 torch.no_grad() 请看如下讨论。

'model.eval()' vs 'with torch.no_grad()'

6. torch.cuda.empty_cache() 这是del的进阶版，使用nvidia-smi 会发现显存有明显的变化。但是训练时最大的显存占用似乎没变。大家可以试试。

How can we release GPU memory cache?

另外，会影响精度的骚操作还有:

把一个batchsize=64分为两个32的batch，两次forward以后，backward一次。但会影响 batchnorm等和batchsize相关的层。

相关链接：

老外写的提高pytorch效率的方法，包含data prefetch等

Optimizing PyTorch training code

https://link.zhihu.com/target=https%3A//www.sagivtech.com/2017/09/19/optimizing-pytorch-training-code/

作者：Gary
https://www.zhihu.com/question/274635237/answer/574193034

一般呢，神经网络显存的占用可以简单分为这三部分：

1. 网络模型自身参数占用的显存。

2. 模型计算时（包括forward/backward/optimizer）所产生的中间变量或参数也有占用显存。

3. 编程框架自身一些额外的开销。

依据个人一些小经验，改变网络结构和不改变其结构的节省显存的方法有：

• 减小Batch-size（这哪门子算trick，哈哈，- -！）

• 出自https://oldpan.me/archives/how-to-use-memory-pytorch，牺牲计算速度减少显存用量，将计算过程分为两半，先计算一半模型的结果，保存中间结果再计算后面一半的模型。如下

x.sum.backward()  # 这样就可以了

• 使用pooling，减小特征图的size。

• 减少全连接层的使用。

• relu(inplace=true)，inplace_abn

• 使用半精度float16。

• optimizer的变换使用，理论上，sgd<momentum<adam，可以从计算公式中看出有额外的中间变量。

• Depthwise Convolution。

• 暂时想到这些，最后贴一张模型大小和准确率的图，忘记是哪篇paper了，侵删

作者：Jiaming
https://www.zhihu.com/question/274635237/answer/379460619

针对显存OOM：

0.利用nvidia-smi -lms检查是是否有显存泄露情况，即显存消耗越来越高

1.尽量使用inplace操作/flag，如nn.ReLU(inplace=True)

2.减少batch size/input size

3.使用0.4.0的新feature: checkpoint

作者：不疯魔不像话
https://www.zhihu.com/question/274635237/answer/582278076

之前看到pytorch1.0新更新的教程，模型实在太大的话，在多gpu机器上可以将模型模型拆成两部分，在两张卡上运行。

初始化模型的时候，两部分模型放在两张卡上。第一部分结算结束后，将中间结果移到第二张卡上，计算结束后在发给输出卡。

如何还想并行的话，也可以用pytorch新加的低一级的并行元语实现。

所以，如果之前是8张卡一起跑8个模型，现在就变成8张卡一起跑四个模型。

链接：PyTorch官方多gpu例子

官方给的例子是将一部分模型放在了cpu上，一部分在gpu上。当我们的模型过大时，完全可以仿照这种方法，利用torch.nn和数据的to()方法，将模型放在两张卡上，中间结果利用to()方法进行传递。

ps:这种方法肯定会影响效率，但当你的实在没办法的时候，我觉得这还是可以接受的。

本篇文章来源于: 深度学习这件小事