如何避免 PyTorch 中的“CUDA 内存不足”

虽然

import torch
torch.cuda.empty_cache()

为清除占用的cuda内存提供了一个很好的选择，我们也可以通过使用手动清除未使用的变量，

import gc
del variables
gc.collect()

但是在使用这些命令之后，错误可能再次出现，因为pytorch实际上并没有清除内存，而是清除了对变量占用的内存的引用。因此，在重新启动内核并找到最佳的 batch_size 后减小 batch_size 是最好的选择（但有时不是一个非常可行的选择）。

另一种更深入地了解 gpu 中内存分配的方法是使用：

torch.cuda.memory_summary(device=None, abbreviated=False)

其中，两个参数都是可选的。这给出了内存分配的可读摘要，并允许您找出 CUDA 内存不足的原因并重新启动内核以避免再次发生错误（就像我在我的案例中所做的那样）。

迭代地传递数据可能会有所帮助，但改变网络层的大小或将它们分解也会被证明是有效的（因为有时模型也会占用大量内存，例如，在进行迁移学习时）。

---

只需减少批量大小，它就会起作用。在我训练时，它给出了以下错误：

CUDA 内存不足。尝试分配 20.00 MiB（GPU 0；10.76 GiB 总容量；4.29 GiB 已分配；10.12 MiB 空闲；PyTorch 总共保留 4.46 GiB）

而且我使用的批量大小为 32。所以我只是将其更改为 15，它对我有用。

---

将批次迭代地发送到 CUDA，并制作小批量。不要一开始就一次将所有数据发送到 CUDA。相反，请按以下方式进行：

for e in range(epochs):
    for images, labels in train_loader:   
        if torch.cuda.is_available():
            images, labels = images.cuda(), labels.cuda()   
        # blablabla  

您还可以使用占用较少内存的 dtypes。例如，torch.float16 或 torch.half。

---

尽量不要把你的毕业生拖得太远。

当我试图总结所有批次的损失时，我得到了同样的错误。

loss =  self.criterion(pred, label)

total_loss += loss

然后我使用 loss.item 而不是需要毕业生的损失，然后解决了问题

loss =  self.criterion(pred, label)

total_loss += loss.item()

以下解决方案归功于 kaggle question 中的 yuval reina

此错误与 GPU 内存有关，而不是一般内存 => @cjinny 评论可能不起作用。你使用 TensorFlow/Keras 还是 Pytorch？尝试使用较小的批量大小。如果您使用 Keras，请尝试减少一些隐藏层大小。如果您使用 Pytorch：您是否一直将所有训练数据保存在 GPU 上？确保不要将毕业生拖得太远检查隐藏层的大小

---

大部分东西都涵盖了，还是会加一点。

如果 torch 给出错误为“试图分配 2 MiB”等，这是一个误导性消息。实际上，CUDA 耗尽了训练模型所需的总内存。您可以减少批量大小。比如说，即使批量大小为 1 不起作用（当您训练具有大量序列的 NLP 模型时发生），尝试传递较少的数据，这将帮助您确认您的 GPU 没有足够的内存来训练模型。

此外，如果您想重新训练模型，则必须再次完成垃圾收集和清理缓存部分。

---

有一些方法可以避免，但这当然取决于你的 GPU 内存大小：

迭代解包数据时在GPU中加载数据，

features, labels in batch:
   features, labels = features.to(device), labels.to(device)

使用 FP_16 或单精度浮点数据类型。如果内存不足，请尝试减小批量大小。使用 .detach() 方法从 GPU 中删除不需要的张量。

如果以上所有都使用得当，PyTorch 库已经是高度优化和高效的。

---

按着这些次序：

减少训练，验证，测试数据减少批量大小{例如。 16 或 32} 减少模型参数的数量{例如。不到百万}

就我而言，当我在 kaggle 内核中训练通用语音数据集时，也会出现相同的错误。我将训练数据集减少到 20000，批量大小减少到 16，模型参数减少到 112K。

---

执行：

将图像批量输入 gpu。在训练或推理期间使用小批量。使用较小的图像尺寸调整输入图像的大小。

技术上：

大多数网络都过度参数化，这意味着它们对于学习任务来说太大了。因此，找到合适的网络结构可以帮助：

一个。使用模型压缩、网络修剪和量化等技术压缩您的网络。

湾。直接使用像mobileNetv1/2/3这样更紧凑的网络结构。

C。网络架构搜索（NAS）。

---

我有同样的错误，但通过使用以下行将图像的大小从 ~600 调整为 100 来修复它：

import torchvision.transforms as transforms
transform = transforms.Compose([
    transforms.Resize((100, 100)), 
    transforms.ToTensor()
])

---

虽然这看起来很奇怪，但我发现有许多会话在后台运行以进行协作，即使我们恢复出厂设置运行时或关闭选项卡也是如此。我通过单击菜单中的“运行时”然后选择“管理会话”来克服这个问题。我终止了所有不需要的会话，我很高兴。

---

我建议使用 PyTorch 的混合精度训练。它可以使训练更快，消耗更少的内存。

看看https://spell.ml/blog/mixed-precision-training-with-pytorch-Xuk7YBEAACAASJam。

---

现在有一个非常棒的库，它使这变得非常简单：https://github.com/rentruewang/koila

pip install koila

在您的代码中，只需用惰性包装输入：

from koila import lazy
input = lazy(input, batch=0)

---

只要您不超过 32 的批量大小，就可以了。请记住刷新或重新启动运行时，否则即使您减少批量大小，您也会遇到相同的错误。我将批量大小设置为 16，它减少了训练期间出现的零梯度，并且模型更好地匹配了真实函数。而不是使用导致训练损失波动的 4 或 8 的批量大小，而不是

---

我遇到了同样的错误，我的 GPU 是 GTX1650，具有 4g 显存和 16G ram。当我将batch_size减少到3时它对我有用。希望这可以帮助你

---

我遇到了同样的问题，并通过使用代码 11.3 将 PyTorch 版本从 1.10.1 降级到 1.8.1 来解决它。就我而言，我使用的是 GPU RTX 3060，它仅适用于 Cuda 11.3 或更高版本，当我安装 Cuda 11.3 时，它附带了 PyTorch 1.10.1。所以我降级了 PyTorch 版本，现在它工作正常。

$ pip3 install torch==1.8.1+cu111 -f https://download.pytorch.org/whl/torch_stable.html

2-您也可以通过减少火车批量大小来检查。

---

最好的方法是降低批量大小。通常它会起作用。否则试试这个：

import gc

del variable #delete unnecessary variables 
gc.collect()

---