PyTorch 经常问的问题

原文： https://pytorch.org/docs/stable/notes/faq.html

我的模型报告“ CUDA 运行时错误(2）：内存不足”

如错误消息所暗示，您的 GPU 内存已用完。 由于我们经常在 PyTorch 中处理大量数据，因此小错误可能会迅速导致您的程序用尽所有 GPU； 幸运的是，这些情况下的修复程序通常很简单。 以下是一些常见的检查事项：

不要在整个训练循环中累积历史记录。 默认情况下，涉及需要渐变的变量的计算将保留历史记录。 这意味着您应避免在计算中使用此类变量，这些变量将不受训练循环的影响，例如在跟踪统计信息时。 相反，您应该分离变量或访问其基础数据。

有时，可微变量发生时可能不是很明显。 考虑以下训练循环(从源删节）：

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

在这里，total_loss会在您的训练循环中累积历史记录，因为loss是具有自动分级历史记录的可微变量。 您可以改写 <cite>total_loss + = float(loss）</cite>来解决此问题。

此问题的其他实例： 1 。

不要使用不需要的张量和变量。 如果将 Tensor 或 Variable 分配给本地，Python 将不会取消分配，直到本地超出范围。 您可以使用del x释放此参考。 同样，如果将 Tensor 或 Variable 分配给对象的成员变量，则在对象超出范围之前它不会释放。 如果不使用不需要的临时存储，则将获得最佳的内存使用率。

当地人的范围可能会超出您的预期。 例如：

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

这里，即使h正在执行，intermediate仍保持活动状态，因为它的作用域超出了循环的结尾。 要提早释放它，使用完后应del intermediate。

不要对太大的序列运行 RNN。 通过 RNN 反向传播所需的内存量与 RNN 输入的长度成线性比例； 因此，如果您尝试向 RNN 输入过长的序列，则会耗尽内存。

这种现象的技术术语是到时间的反向传播，关于如何实现截断 BPTT 的参考很​​多，包括字语言模型示例； 截断由本论坛帖子中所述的repackage功能处理。

请勿使用太大的线性图层。 线性层nn.Linear(m, n)使用 内存：也就是说，权重的内存要求与要素数量成正比关系。 以这种方式穿透内存非常容易(请记住，您至少需要权重大小的两倍，因为您还需要存储渐变。）

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中显示的值通常不能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，请参见内存管理。

如果即使在退出 Python 后仍没有释放 GPU 内存，则很可能某些 Python 子进程仍然存在。 您可以通过ps -elf | grep python找到它们，然后使用kill -9 [pid]手动将其杀死。

我的数据加载器工作人员返回相同的随机数

您可能会使用其他库在数据集中生成随机数。 例如，当通过fork启动工作程序子流程时，NumPy 的 RNG 被复制。 请参阅 torch.utils.data.DataLoade 的文档，以了解如何通过worker_init_fn选项在工人中正确设置随机种子。

我的经常性网络无法使用数据并行性

在 Module 与 DataParallel 或 data_parallel() 中使用pack sequence -> recurrent network -> unpack sequence模式是很微妙的。 每个设备上每个forward()的输入仅是整个输入的一部分。 由于默认情况下，拆包操作 torch.nn.utils.rnn.pad_packed_sequence() 仅填充其看到的最长输入，即该特定设备上的最长输入，因此，将结果汇总在一起时会发生大小不匹配的情况。 因此，您可以改而利用  pad_packed_sequence() 的total_length自变量来确保forward()调用相同长度的返回序列。 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，当批处理尺寸为1(即batch_first=False）且数据平行时，需要格外小心。 在这种情况下，pack_padded_sequence padding_input的第一个参数的形状将为[T x B x *]，并且应沿昏暗1分散，而第二个参数input_lengths的形状将为[B]，并且应沿昏暗[[Gate] 0。 将需要额外的代码来操纵张量形状。