前言

最近跑的模型都比較大，尤其是Bert， 這真的是難為我 1080ti 了， 在Bert的Example中，官方提供了一些 Trick 來幫助我們加速訓練，很良心， 但感覺還不夠，于是花費一些時間整理出一個 Trick 集合，來幫助我們在顯存不足的時候來嘿嘿嘿。

本文分為兩大部分，第一部分引入一個主題：如何估計模型所需顯存， 第二個主題：GPU顯存不足時的各種 Trick 。

監控 GPU

監控GPU最常用的當然是nvidia-smi，但有一個工具能夠更好的展示信息：gpustat。

nvidia-smi watch --color -n1 gpustat -cpu # 動態事實監控GPU

推薦在配置文件中配置別名，反正我每次gpu一下，信息就全出來了，很方便。

下面有同學推薦nvtop， 我簡單試了試，的確挺好的，展現出現的信息很豐富 ， 推薦試一試。

如何估計模型顯存 [1]

首先，思考一個問題：模型中的哪些東西占據了我的顯存，咋就動不動就out of memory？

其實一個模型所占用的顯存主要包含兩部分：模型自身的參數， 優化器參數， 模型每層的輸入輸出。

模型自身參數

模型自身的參數指的就是各個網絡層的 Weight 和Bias，這部分顯存在模型加載完成之后就會被占用， 注意到的是，有些層是有參數的，如CNN， RNN；而有些層是無參數的， 如激活層， 池化層等。

從Pytorch 的角度來說，當你執行model.to(device)是， 你的模型就加載完畢，此時你的模型就已經加載完成了。

對于Pytorch來說，模型參數存儲在model.parameters()中，因此，我們不需要自己計算，完全可以通過Pytorh來直接打印：

print('Model {} : params: {:4f}M'.format(model._get_name()， para * type_size / 1000 / 1000))

優化器參數

優化器參數指的是模型在優化過程即反向傳播中所產生的參數， 這部分參數主要指的就是 dw， 即梯度，在SGD中， 其大小與參數一樣， 因此在優化期間， 模型的參數所占用的顯存會翻倍。

值得注意的是，不同的優化器其所需保存的優化參數不同， 對于 Adam， 由于其還需要保存其余參數， 模型的參數量會在優化區間翻 4 倍。

模型每層的輸入輸出

首先，第一點是輸入數據所占用的顯存， 這部分所占用的顯存其實并不大，這是因為我們往往采用迭代器的方式讀取數據，這意味著我們其實并不是一次性的將所有數據讀入顯存，而這保證每次輸入所占用的顯存與整個網絡參數來比是微不足道的。

然后，在模型進行前向傳播與反向傳播時， 一個很重要的事情就是計算并保存每一層的輸出以及其對應的梯度， 這意味著，這也占據了很大一部分顯存。

最后，模型輸出的顯存占用可以總結為：

每一層的輸出(多維數組)， 其對應的梯度， 值得注意的是，模型輸出不需要存儲相應的動量信息（即此處如果使用Adam， 模型輸出的參數量依舊是2倍而不是4倍， 我也不知道為啥？？求大佬指教）

輸出的顯存占用與 batch size 成正比

那么有沒有辦法通過Pytorch來計算這部分參數量呢？答案是有的，我們可以假設一個batch的樣本，然后通過model.modules()來對每一層進行遍歷，獲得每一層的輸出shape， 然后就能夠獲得一個batch的數據的輸出參數量。[2]

所有的顯存占用計算

顯存占用 = 模型自身參數 × n + batch size × 輸出參數量 × 2 + 一個batch的輸入數據（往往忽略）

其中，n是根據優化算法來定的，如果選用SGD， 則 n = 2， 如果選擇Adam， 則 n = 4.

一個很棒的實現如下， 我懶得再重新寫了，你可以根據這個改一改，問題不大。

# 模型顯存占用監測函數 # model：輸入的模型 # input：實際中需要輸入的Tensor變量 # type_size 默認為 4 默認類型為 float32 def modelsize(model, input, type_size=4): para = sum([np.prod(list(p.size())) for p in model.parameters()]) print('Model {} : params: {:4f}M'.format(model._get_name(), para * type_size / 1000 / 1000)) input_ = input.clone() input_.requires_grad_(requires_grad=False) mods = list(model.modules()) out_sizes = [] for i in range(1, len(mods)): m = mods[i] if isinstance(m, nn.ReLU): if m.inplace: continue out = m(input_) out_sizes.append(np.array(out.size())) input_ = out total_nums = 0 for i in range(len(out_sizes)): s = out_sizes[i] nums = np.prod(np.array(s)) total_nums += nums print('Model {} : intermedite variables: {:3f} M (without backward)' .format(model._get_name(), total_nums * type_size / 1000 / 1000)) print('Model {} : intermedite variables: {:3f} M (with backward)' .format(model._get_name(), total_nums * type_size*2 / 1000 / 1000))

GPU 顯存不足時的Trick [2]

此處不討論多GPU， 分布式計算等情況，只討論一些常規的 Trick， 會不定時進行更新。

降低batch size

這應該很好理解，適當降低batch size， 則模型每層的輸入輸出就會成線性減少， 效果相當明顯。這里需要注意的一點是, dev batch size的調整也有助于降低顯存, 同時,不要將 dev 或 test 的batch size 設置為樣本集長度, 我最近就干了這個傻事，害的我調試了一天才調出來是這個問題。

選擇更小的數據類型

一般默認情況下， 整個網絡中采用的是32位的浮點數，如果切換到 16位的浮點數，其顯存占用量將接近呈倍數遞減。

精簡模型

在設計模型時，適當的精簡模型，如原來兩層的LSTM轉為一層；原來使用LSTM， 現在使用GRU；減少卷積核數量；盡量少的使用 Linear 等。

數據角度

對于文本數據來說，長序列所帶來的參數量是呈線性增加的， 適當的縮小序列長度可以極大的降低參數量。

total_loss

考慮到 loss 本身是一個包含梯度信息的 tensor， 因此，正確的求損失和的方式為：

total_loss += loss.item()

釋放不需要的張量和變量

采用del釋放你不再需要的張量和變量，這也要求我們在寫模型的時候注意變量的使用，不要隨心所欲，漫天飛舞。

Relu 的 inplace 參數

激活函數Relu()有一個默認參數inplace，默認為Flase， 當設置為True的時候，我們在通過relu()計算得到的新值不會占用新的空間而是直接覆蓋原來的值，這表示設為True， 可以節省一部分顯存。

梯度累積

首先， 要了解一些Pytorch的基本知識：

在Pytorch 中，當我們執行loss.backward()時， 會為每個參數計算梯度，并將其存儲在 paramter.grad 中， 注意到，paramter.grad是一個張量， 其會累加每次計算得到的梯度。

在 Pytorch 中， 只有調用optimizer.step()時才會進行梯度下降更新網絡參數。

我們知道， batch size 與占用顯存息息相關，但有時候我們的batch size 又不能設置的太小，這咋辦呢？答案就是梯度累加。

我們先來看看傳統訓練：

for i,(feature,target) in enumerate(train_loader): outputs = model(feature) # 前向傳播 loss = criterion(outputs,target) # 計算損失 optimizer.zero_grad() # 清空梯度 loss.backward() # 計算梯度 optimizer.step() # 反向傳播， 更新網絡參數

而加入梯度累加之后，代碼是這樣的：

for i,(features,target) in enumerate(train_loader): outputs = model(images) # 前向傳播 loss = criterion(outputs,target) # 計算損失 loss = loss/accumulation_steps # 可選，如果損失要在訓練樣本上取平均 loss.backward() # 計算梯度 if((i+1)%accumulation_steps)==0: optimizer.step() # 反向傳播，更新網絡參數 optimizer.zero_grad() # 清空梯度

其實，這塊有兩種理解方式（受到評論區同學啟發）， 我談談在 bert 里面最常見的那種。

比較來看， 我們發現，梯度累加本質上就是累加accumulation_steps個batchsize/accumulationsteps的梯度， 再根據累加的梯度來更新網絡參數，以達到真實梯度類似batch_size的效果。在使用時，需要注意適當的擴大學習率。

更詳細來說， 我們假設batch size = 4，accumulation steps = 8， 梯度積累首先在前向傳播的時候以batch_size=4來計算梯度，但是不更新參數，將梯度積累下來，直到我們計算了accumulation steps個 batch， 我們再更新參數。其實本質上就等價于：

真正的 batch_size = batch_size * accumulation_steps

梯度積累能很大程度上緩解GPU顯存不足的問題，推薦使用。

在Bert的倉庫中，就使用了這個Trick，十分實用，簡直是我們這種乞丐實驗室的良心Trick。

梯度檢查點

這個Trick我沒用過，畢竟模型還沒有那么那么大。

等我用過再更新吧，先把坑挖下。

最后

哎， 如果你看完了這篇文章，就說明了一件事情：小伙子，你卡也不夠啊。哎， 乞丐實驗室不配深度學習，哭了。