如何计算显存的占用，常常遇到out of memory? |
您所在的位置：网站首页 › 如何计算梯度计算公式图片 › 如何计算显存的占用，常常遇到out of memory? |
如何计算显存的占用，常常遇到out of memory?
|
如何计算显存的占用，预防out of memory? 最近一次组会上，师兄点评一篇文章显存占用过多，突然发现还不知道如何具体的计算显存，只好去学习一下。  显存类似于内存，可以存放模型数据，参数等等；显存越大，所能运行的网络也就越大 代码语言：javascript复制torch.FatalError: cuda runtime error (2) : out of memory at /opt/conda/.......out of memory: 显存装不下你那么多的模型权重还有中间变量 GPU计算单元用来进行数值计算，衡量计算量的单位是flop,浮点数先乘后加算一个flop计算能力越强大，速度越快。衡量计算能力的单位是 flops： 每秒能执行的 flop数量。 2*2+2 ：1个flop 2*2+3*3+4*4 : 3个flop 1、 存储指标 代码语言：javascript复制1 Byte = 8 bit 1 K = 1024 Byte 1 M = 1024 K 1 G = 1024 M除此之外， 代码语言：javascript复制1 Byte = 8 bit 1 KB = 1000 Byte 1 MB = 1000 KB 1 GB = 1000 MB 1TB = 1000 GB常用的数值类型： 若一张256*256的RGB图片存储在显存中占有显存为（float）： 3*256*256*4=0.75M,若batchsize=100,也就占用75M,显存，显然，占用显存较大的不是输入图片数据，那会是什么呢？ 什么占用了显存？首先，了解神经网络的构成，我们当然知道神经网络只是一种类似神经的架构，主要由构成网络层的各种参数构成，以及神经网络的各种中间输出。 网络模型的参数：看一个例子：  模型权重：各种网络层的参数卷积层，通常的conv2d全连接层，也就是Linear层BatchNorm层Embedding层中间变量：各种网络层的输出而不占用显存的则是： 刚才说到的激活层Relu等池化层Dropout层具体计算方式： Conv2d(Cin, Cout, K): 参数数目：Cin × Cout × K × KLinear(M->N): 参数数目：M×NBatchNorm(N): 参数数目： 2NEmbedding(N,W): 参数数目： N × W参数占用显存： 参数占用显存 = 参数数目×n 代码语言：javascript复制n = 4 ：float32 n = 2 : float16 n = 8 : double64优化器的显存占用：例如SGD优化器：  除了保存W之外还要保存参数对应的梯度，因此显存占用等于参数占用的显存的2倍。 Momentum-SGD：保存参数、梯度、动量------3倍 Adam：------------------------------------------4倍 输入输出的显存占用：特点： 需要计算每一层的feature map的形状（多维数组的形状）模型输出的显存占用与 batch size 成正比需要保存输出对应的梯度用以反向传播（链式法则）模型输出不需要存储相应的动量信息（因为不需要执行优化）具体计算： 代码语言：javascript复制显存占用 = 模型显存占用 + batch_size × 每个样本的显存占用注意 : 输入数据不用计算梯度；激活函数不用保存输入； 如何减小显存占用？出现out of memory如何处理？尽量不使用全连接层下采样减小batchsize最简单处理方法，也是最常用的方法 减小batchsize一般模型参数与batchsize成一定的不严格的正比关系。 参考资料：https://blog.csdn.net/liusandian/article/details/79069926 |
【本文地址】