詳解Pytorch視訊記憶體動態分配規律探索
下面通過實驗來探索Pytorch分配視訊記憶體的方式。
實驗視訊記憶體到主存
我使用VSCode的jupyter來進行實驗，首先只匯入pytorch，程式碼如下：
import torch
開啟工作管理員檢視主存與視訊記憶體情況。情況分別如下：
在視訊記憶體中建立1GB的張量，賦值給a，程式碼如下：
a = torch.zeros([256,1024,1024],device= 'cpu')
檢視主存與視訊記憶體情況：
可以看到主存與視訊記憶體都變大了，而且視訊記憶體不止變大了1G，多出來的記憶體是pytorch執行所需的一些配置變數，我們這裡忽略。
再次在視訊記憶體中建立一個1GB的張量，賦值給b，程式碼如下：
b = torch.zeros([256,device= 'cpu')
檢視主視訊記憶體情況：
這次主存大小沒變，視訊記憶體變高了1GB，這是合情合理的。然後我們將b移動到主存中，程式碼如下：
b = b.to('cpu')
檢視主視訊記憶體情況：
發現主存是變高了1GB，視訊記憶體卻只變小了0.1GB，好像只是將視訊記憶體張量複製到主存一樣。實際上，pytorch的確是複製了一份張量到主存中，但它也對視訊記憶體中這個張量的移動進行了記錄。我們接著執行以下程式碼，再建立1GB的張量賦值給c：
c = torch.zeros([256,device= 'cuda')
檢視主視訊記憶體情況：
發現只有視訊記憶體大小變大了0.1GB，這說明，Pytorch的確記錄了視訊記憶體中張量的移動，只是沒有立即將視訊記憶體空間釋放，它選擇在下一次建立新變數時覆蓋這個位置。接下來，我們重複執行上面這行程式碼：
c = torch.zeros([256,device= 'cuda')
主視訊記憶體情況如下：
明明我們把張量c給覆蓋了，視訊記憶體內容卻變大了，這是為什麼呢？實際上，Pytorch在執行這句程式碼時，是首先找到可使用的視訊記憶體位置，建立這1GB的張量，然後再賦值給c。但因為在新建立這個張量時，原本的c依然佔有1GB的視訊記憶體，pytorch只能先調取另外1GB視訊記憶體來建立這個張量，再將這個張量賦值給c。這樣一來，原本的那個c所在的視訊記憶體內容就空出來了，但和前面說的一樣，pytorch並不會立即釋放這裡的視訊記憶體，而等待下一次的覆蓋，所以視訊記憶體大小並沒有減小。
我們再建立1GB的d張量，就可以驗證上面的猜想，程式碼如下：
d = torch.zeros([256,device= 'cuda')
主視訊記憶體情況如下：
視訊記憶體大小並沒有變，就是因為pytorch將新的張量建立在了上一步c空出來的位置，然後再賦值給了d。另外，刪除變數操作也同樣不會立即釋放視訊記憶體：
del d
主視訊記憶體情況：
視訊記憶體沒有變化，同樣是等待下一次的覆蓋。
主存到視訊記憶體
接著上面的實驗，我們建立直接在主存建立1GB的張量並賦值給e，程式碼如下：
e = torch.zeros([256,device= 'cpu')
主視訊記憶體情況如下：
主存變大1GB，合情合理。然後將e移動到視訊記憶體，程式碼如下：
e = e.to('cuda')
主視訊記憶體情況如下：
主存變小1GB，視訊記憶體沒變是因為上面張量d被刪除沒有被覆蓋，合情合理。說明主存的釋放是立即執行的。
總結
通過上面的實驗，我們瞭解到，pytorch不會立即釋放視訊記憶體中失效變數的記憶體，它會以覆蓋的方式利用視訊記憶體中的可用空間。另外，如果要重置視訊記憶體中的某個規模較大的張量，最好先將它移動到主存中，或是直接刪除，再建立新值，否則就需要兩倍的記憶體來實現這個操作，就有可能出現視訊記憶體不夠用的情況。
實驗程式碼彙總如下：
#%%
import torch
#%%
a = torch.zeros([256,device= 'cuda')
#%%
b = torch.zeros([256,device= 'cuda')
#%%
b = b.to('cpu')
#%%
c = torch.zeros([256,device= 'cuda')
#%%
c = torch.zeros([256,device= 'cuda')
#%%
d = torch.zeros([256,device= 'cuda')
#%%
del d
#%%
e = torch.zeros([256,device= 'cpu')
#%%
e = e.to('cuda')
到此這篇關於Pytorch視訊記憶體動態分配規律探索的文章就介紹到這了,更多相關Pytorc視訊記憶體分配規律內容請搜尋我們以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援我們！