pytorch 运行一段时间后出现GPU OOM的问题

pytorch的dataloader会将数据传到gpu上，这个过程gpu的mem占用会逐渐增加，为了避免gpumen被无用的数据占用，可以在每个step后用del删除一些变量，也可以使用torch.cuda.empty_cache()释放显存：

del targets, input_k, input_mask
torch.cuda.empty_cache()

这时能观察到gpu的显存一直在动态变化。

但是上述方式不是一个根本的解决方案，因为他受到峰值的影响很大。比如某个batch的数据量明显大于其他batch，可能模型处理该batch时显存会不够用，这也会导致oom，虽然其他的batch都能顺利执行。

显存的占用跟这几个因素相关：

模型参数量

batch size

一个batch的数据 size

通常我们不希望改变模型参数量，所以只能通过动态调整batch-size，使得一个batch的数据 size不会导致显存oom：

ilen = int(sorted_data[start][1]['input'][0]['shape'][0])
olen = int(sorted_data[start][1]['output'][0]['shape'][0])
# if ilen = 1000 and max_length_in = 800
# then b = batchsize / 2
# and max(1, .) avoids batchsize = 0
# 太长的句子会被动态改变bsz，单独成一个batch，否则padding的部分就太多了，数据量太大，oom
factor = max(int(ilen / max_length_in), int(olen / max_length_out))
b = max(1, int(batch_size / (1 + factor)))
#b = batch_size
end = min(len(sorted_data), start + b)
minibatch.append(sorted_data[start:end])
if end == len(sorted_data):
    break
start = end

此外，如何选择一个合适的batchsize也是个很重要的问题，我们可以先对所有数据按照大小（长短）排好序（降序），不进行shuffle，按照64,32,16依次尝试bsz，如果模型在执行第一个batch的时候没出现oom，那么以后一定也不会出现oom（因为降序排列了数据，所以前面的batch的数据size最大）。

还有以下问题

pytorch increasing cuda memory oom 问题

改了点model 的计算方式，然后就 oom 了，调小了 batch_size,然后发现发现是模型每次迭代都会动态增长 cuda memory, 在排除了 python code 中的潜在内存溢出问题之后，基本可以把问题定在 pytorch 的图计算问题上了，说明每次迭代都重新生成了一张计算图，然后都保存着在，就 oom 了。

参考

cuda memory continuously increases when net(images) called in every iteration

understanding graphs and state

说是会生成多个计算图：

loss = somelossfunction(out) + somelossfunction(out)

准备用 sum来避免多次生成计算图的问题：

loss = variable(torch.sum(torch.cat([loss1, loss2], 0)))

然而，调着调着就好了，和报错前的 code 没太大差别。估计的原因是在pycharm 远程连接服务器的时候 code 的保存版本差异问题，这个也需要解决一下。

还有个多次迭代再计算梯度的问题，类似于 caffe中的iter_size,这个再仔细看看。

以上为个人经验，希望能给大家一个参考，也希望大家多多支持。