我在使用 PyTorch 时遇到问题。 我必须在 PyTorch 自定义模型上运行一些实验,考虑到我必须训练很多模型,我尝试使用
ray[tune]
并行运行它们。我已经编写了代码,并且运行得“很好”,但问题是我无法并行化太多,因为系统内存不足。我发现训练中的每个 PyTorch 模型都使用类似 2/2.5 GB 的 RAM。问题是我正在运行非常小的网络,总共 3 层,并且我正在 MNIST 上运行测试,所以一切都应该是非常轻量级的,为什么训练这样小的网络需要使用这么多 RAM? 这个当我尝试并行运行代码时,这当然成为一个真正的问题,因为仅仅 4 个并行训练最终就会占用超过 8 GB 的 RAM。 这正常吗?
我当然认为我的代码有问题,所以我在 PyTorch 中创建了一个独立的脚本,并在 MNIST 上创建了一个小型网络,以测试它最终使用了多少内存;这是代码,它是真正标准的设计:
# FILENAME: selfcontained_pytorch_tester.py
# Importing the necessary modules for the training and testing of a simple network in pytorch with MNIST
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor
# Checking if the GPU is available and setting the device
device = 'cuda' if torch.cuda.is_available() else 'cpu'
print(f"Using {device} device")
# Loading the data
training_data = datasets.MNIST(
root="Data_SelfContained_Pytorch_Testing/data_train_MNIST",
train=True,
download=True,
transform=ToTensor()
)
test_data = datasets.MNIST(
root="Data_SelfContained_Pytorch_Testing/data_test_MNIST",
train=False,
download=True,
transform=ToTensor()
)
# Creating the dataloaders
dataloader_train = DataLoader(training_data, batch_size=64)
dataloader_test = DataLoader(test_data, batch_size=64)
# Defining the network
class SimpleNN(nn.Module):
def __init__(self):
super(SimpleNN, self).__init__()
self.flatten = nn.Flatten()
self.linear_relu_stack = nn.Sequential(
nn.Linear(28 * 28, 512),
nn.ReLU(),
nn.Linear(512, 512),
nn.ReLU(),
nn.Linear(512, 10),
nn.ReLU()
)
def forward(self, x):
x = self.flatten(x)
logits = self.linear_relu_stack(x)
return logits
# Creating the model
model = SimpleNN().to(device)
# Defining the loss function
loss_fn = nn.CrossEntropyLoss()
# Defining the optimizer Adam
optimizer = torch.optim.Adam(model.parameters(), lr=1e-3)
# Defining the training function
def train(dataloader, model, loss_fn, optimizer):
size = len(dataloader.dataset)
for batch, (X, y) in enumerate(dataloader):
X, y = X.to(device), y.to(device)
# Compute prediction error
pred = model(X)
loss = loss_fn(pred, y)
# Backpropagation
optimizer.zero_grad()
loss.backward()
optimizer.step()
if batch % 100 == 0:
loss, current = loss.item(), batch * len(X)
print(f"loss: {loss:>7f} [{current:>5d}/{size:>5d}]")
# Defining the testing function
def test(dataloader, model, loss_fn):
size = len(dataloader)
model.eval()
test_loss, correct = 0, 0
with torch.no_grad():
for X, y in dataloader:
X, y = X.to(device), y.to(device)
pred = model(X)
test_loss += loss_fn(pred, y).item()
correct += (pred.argmax(1) == y).type(torch.float).sum().item()
test_loss /= size
correct /= size
print(f"Test Error: \n Accuracy: {(100 * correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")
# Training and testing the model
epochs = 5
for t in range(epochs):
print(f"Epoch {t + 1}\n-------------------------------")
train(dataloader_train, model, loss_fn, optimizer)
test(dataloader_test, model, loss_fn)
print("Done!")
然后我运行脚本,只需使用
htop
监控 RAM 使用情况,即使是这个标准的、非常简单的 pytorch 脚本最终也会使用大约 2.5 GB 的 ram(甚至更多!)。
这是
htop
的屏幕:
如您所见,我们有巨大的
VIRT
并且 RES
约为。 2.9 GB。
发生什么事了?这对于 PyTorch 来说正常吗?
我从在 TensorFlow 上运行网络的朋友那里听说,对于训练这么小的网络来说,这些内存要求是荒谬的。这是真的吗?
更新:我修改了代码,看看是否应该归咎于
cuda
设备(因此GPU),事实上,如果我使用device = 'cpu'
运行代码,脚本使用的RAM量会下降到大约 500MB;因此,使用 Nvidia GPU (cuda) 时,实质上会使用超过 2 GB 的额外 RAM 内存。又问:这是怎么回事?这是正常的吗?我正在使用我安装的 pytorch 版本:
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
nvidia-smi
的输出是:
所以有两个不同的cuda版本,但我读到它们应该是兼容的。现在我当然想知道这是否是问题所在,但我不这么认为,我在其他配置下运行代码获得了相同的结果..
有问题吗?使用 cuda 时这种 RAM 分配是必要的和预期的行为吗?如果是这样,当使用
ray
同时运行多个训练时,有没有办法“支付此 RAM 价格”一次?
我想我已经找到解决方案了!
在所有相关调用
torch
之前,您可以放置
# At the start of the script
import os
os.environ['CUDA_MODULE_LOADING'] = 'LAZY'
这应该告诉
torch
不要在 RAM 中加载任何不必要的组件。 但是,这里有一个问题,只有当你有 cuda 版本 11.8 或更高版本时,这才有效。我必须更新我的驱动程序才能使其正常工作。执行此操作时,我使用 cuda
的内存需求从原来的 2.5 GB 下降到 700 MB。
就是这样!我认为这就是解决方案;现在一切正常。