【深度学习】BS与GPU显存的关系

参考链接：https://blog.csdn.net/lien0906/article/details/78863118

问题：

tensorflow/core/common_runtime/bfc_allocator.cc:661] Chunk at 0x523cd7d00 of size 2048

tensorflow/core/common_runtime/bfc_allocator.cc:661] Chunk at 0x523cd8500 of size 9437184

tensorflow/core/common_runtime/bfc_allocator.cc:661] Chunk at 0x5245d8500 of size 2048

解决：尝试降低网络的深度和宽度、batch size 的大小 

深度学习中神经网络的显存占用，我们可以得到如下公式：

显存占用 = 模型显存占用 + batch_size × 每个样本的显存占用

时间更宝贵，尽可能使模型变快（减少 flop）

显存占用不是和 batch size 简单成正比，模型自身的参数及其延伸出来的数据也要占据显存

batch size 越大，速度未必越快。在你充分利用计算资源的时候，加大 batch size 在速度上的提升很有限。

尤其是 batch-size，假定 GPU 处理单元已经充分利用的情况下：

• 增大 batch size 能增大速度，但是很有限（主要是并行计算的优化）
• 增大 batch size 能减缓梯度震荡，需要更少的迭代优化次数，收敛的更快，但是每次迭代耗时更长。
• 增大 batch size 使得一个 epoch 所能进行的优化次数变少，收敛可能变慢，从而需要更多时间才能收敛（比如 batch_size 变成全部样本数目）