前言:
{
现在的神经网络模型,动不动就爆内存。两年前我笔记本2G的显存都绰绰有余,现在16G的P100,24G的P40却还不够。更让我郁闷的是,在pytorch训练时,显存占用竟然会不断增加,可能刚开始训练时是正常的,但是放在那里,不知道什么时候它就突然来一句out of memory,然后就尥蹶子不干了,白白浪费了很长的时间。所以这个问题我确实需要搞清楚。
}
正文:
{
首先,我要说一个比较野蛮的办法,就是单独写一个训练脚本,其开始时先载入模型,结束时再保存模型。然后把数据集分割成更小的子数据集(小到模型不会因为显存而尥蹶子不干)。当然,训练脚本的输出参数应当包含数据集(编号)和/或子数据集(编号)。
我去谷歌上搜了一下,最先看到的是[1],上面建议用del删除一些变量,我尝试过用del在每次迭代后删除所有能删除的变量(输入,输出,损失),但是不起效果,模型还是会在同样的迭代次数后报错。
后来我又找到了[2],上面说之后再加上torch.cuda.empty_cache(),这次成功了。
也就是说,del操作后再加上torch.cuda.empty_cache()才会起效果!代码1是一个例子。
#代码1。
"""添加了最后两行,i