本篇内容介绍了“如何解决pytorch显存一直变大的问题”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！
在代码中添加以下两行可以解决：
torch.backends.cudnn.enabled = Truetorch.backends.cudnn.benchmark = True补充：pytorch训练过程显存一直增加的问题
之前遇到了爆显存的问题，卡了很久，试了很多方法，总算解决了。
总结下自己试过的几种方法：
**1. 使用torch.cuda.empty_cache()
在每一个训练epoch后都添加这一行代码，可以让训练从较低显存的地方开始，但并不适用爆显存的问题，随着epoch的增加，最大显存占用仍然会提示out of memory 。
2.使用torch.backends.cudnn.enabled = True 和 torch.backends.cudnn.benchmark = True
原理不太清楚，用法和1一样。但是几乎没有效果，直接pass。
3.最重要的：查看自己的forward函数是否存在泄露。
常需要在forward函数里调用其他子函数，这时候要特别注意：
input尽量不要写在for循环里面！！！
子函数里如果有append（）等函数，一定少用，能不用就不用！！！
子函数list一定少用，能不用就不用！！！
总之，子函数一般也不会太复杂，直接写出来，别各种for，嵌套，变量。！！！
补充：Pytorch显存不断增长问题的解决思路
这个问题，我先后遇到过两次，每次都异常艰辛的解决了。
在网上，关于这个问题，你可以找到各种看似不同的解决方案，但是都没能解决我的问题。所以只能自己摸索，在摸索的过程中，有了一个排查问题点的思路。
下面举个例子说一下我的思路。
大体思路
其实思路很简单，就是在代码的运行阶段输出显存占用量，观察在哪一块存在显存剧烈增加或者显存异常变化的情况。
但是在这个过程中要分级确认问题点，也即如果存在三个文件main.py、train.py、model.py。
在此种思路下，应该先在main.py中确定问题点，然后，从main.py中进入到train.py中，再次输出显存占用量，确定问题点在哪。
随后，再从train.py中的问题点，进入到model.py中，再次确认。
如果还有更深层次的调用，可以继续追溯下去。
具体例子
main.py
def train(model,epochs,data): for e in range(epochs): print("1:{}".format(torch.cuda.memory_allocated(0))) train_epoch(model,data) print("2:{}".format(torch.cuda.memory_allocated(0))) eval(model,data) print("3:{}".format(torch.cuda.memory_allocated(0)))假设1与2之间显存增加极为剧烈，说明问题出在train_epoch中，进一步进入到train.py中。
train.py
def train_epoch(model,data): model.train() optim=torch.optimizer() for batch_data in data: print("1:{}".format(torch.cuda.memory_allocated(0))) output=model(batch_data) print("2:{}".format(torch.cuda.memory_allocated(0))) loss=loss(output,data.target) print("3:{}".format(torch.cuda.memory_allocated(0))) optim.zero_grad() print("4:{}".format(torch.cuda.memory_allocated(0))) loss.backward() print("5:{}".format(torch.cuda.memory_allocated(0))) utils.func(model) print("6:{}".format(torch.cuda.memory_allocated(0)))如果在1,2之间，5,6之间同时出现显存增加异常的情况。此时需要使用控制变量法，例如我们先让5,6之间的代码失效，然后运行，观察是否仍然存在显存爆炸。如果没有，说明问题就出在5,6之间下一级的代码中。进入到下一级代码，进行调试：
utils.py
def func(model):print("1:{}".format(torch.cuda.memory_allocated(0)))a=f1(model)print("2:{}".format(torch.cuda.memory_allocated(0)))b=f2(a)print("3:{}".format(torch.cuda.memory_allocated(0)))c=f3(b)print("4:{}".format(torch.cuda.memory_allocated(0)))d=f4(c)print("5:{}".format(torch.cuda.memory_allocated(0)))此时我们再展示另一种调试思路，先注释第5行之后的代码，观察显存是否存在先训爆炸，如果没有，则注释掉第7行之后的，直至确定哪一行的代码出现导致了显存爆炸。假设第9行起作用后，代码出现显存爆炸，说明问题出在第九行，显存爆炸的问题锁定。
几种导致显存爆炸的情况
pytorch的hook机制可能导致，显存爆炸，hook函数取出某一层的输入输出跟权重后，不可进行存储，修改等操作，这会造成hook不能回收，进而导致取出的输入输出权重都可能不被pytorch回收，所以模型的负担越来也大，最终导致显存爆炸。
这种情况是我第二次遇到显存爆炸查出来的，非常让人匪夷所思。在如下代码中，p.sub_(torch.mm(k, torch.t(k)) / (alpha + torch.mm(r, k)))，导致了显存爆炸，这个问题点就是通过上面的方法确定的。
这个P是一个矩阵，在使用p.sub_的方式更新P的时候，导致了显存爆炸。
将这行代码修改为p=p-(torch.mm(k, torch.t(k)) / (alpha + torch.mm(r, k)))，显存爆炸的问题解决。
def pro_weight(p, x, w, alpha=1.0, cnn=True, stride=1): if cnn: _, _, H, W = x.shape F, _, HH, WW = w.shape S = stride # stride Ho = int(1 + (H - HH) / S) Wo = int(1 + (W - WW) / S) for i in range(Ho): for j in range(Wo): # N*C*HH*WW, C*HH*WW = N*C*HH*WW, sum -> N*1 r = x[:, :, i * S: i * S + HH, j * S: j * S + WW].contiguous().view(1, -1) # r = r[:, range(r.shape[1] - 1, -1, -1)] k = torch.mm(p, torch.t(r)) p.sub_(torch.mm(k, torch.t(k)) / (alpha + torch.mm(r, k))) w.grad.data = torch.mm(w.grad.data.view(F, -1), torch.t(p.data)).view_as(w) else: r = x k = torch.mm(p, torch.t(r)) p.sub_(torch.mm(k, torch.t(k)) / (alpha + torch.mm(r, k))) w.grad.data = torch.mm(w.grad.data, torch.t(p.data))“如何解决pytorch显存一直变大的问题”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注编程网网站，小编将为大家输出更多高质量的实用文章！
