點擊上方「MLNLP」，選擇「星標」公眾號
重磅乾貨，第一時間送達
作者：老宋的茶書會
知乎專欄：NLP與深度學習
研究方向：自然語言處理
前言最近跑的模型都比較大，尤其是Bert， 這真的是難為我 1080ti 了， 在Bert的Example中，官方提供了一些 Trick 來幫助我們加速訓練，很良心， 但感覺還不夠，於是花費一些時間整理出一個 Trick 集合，來幫助我們在顯存不足的時候來嘿嘿嘿。
本文分為兩大部分，第一部分引入一個主題：如何估計模型所需顯存， 第二個主題：GPU顯存不足時的各種 Trick 。
監控 GPU監控GPU最常用的當然是 nvidia-smi ，但有一個工具能夠更好的展示信息：gpustat 。
nvidia-smi
watch --color -n1 gpustat -cpu # 動態事實監控GPU
推薦在配置文件中配置別名，反正我每次 gpu 一下，信息就全出來了，很方便。
下面有同學推薦nvtop， 我簡單試了試，的確挺好的，展現出現的信息很豐富 ， 推薦試一試。
如何估計模型顯存 [1]首先，思考一個問題：模型中的哪些東西佔據了我的顯存，咋就動不動就 out of memory？
其實一個模型所佔用的顯存主要包含兩部分： 模型自身的參數， 優化器參數， 模型每層的輸入輸出。
模型自身參數
模型自身的參數指的就是各個網絡層的 Weight 和Bias，這部分顯存在模型加載完成之後就會被佔用， 注意到的是，有些層是有參數的，如CNN， RNN；而有些層是無參數的， 如激活層， 池化層等。
從Pytorch 的角度來說，當你執行 model.to(device) 是， 你的模型就加載完畢，此時你的模型就已經加載完成了。
對於Pytorch來說，模型參數存儲在 model.parameters() 中，因此，我們不需要自己計算，完全可以通過Pytorh來直接列印：
print('Model {} : params: {:4f}M'.format(model._get_name()， para * type_size / 1000 / 1000))
優化器參數
優化器參數指的是模型在優化過程即反向傳播中所產生的參數， 這部分參數主要指的就是 dw， 即梯度，在SGD中， 其大小與參數一樣， 因此在優化期間， 模型的參數所佔用的顯存會翻倍。
值得注意的是，不同的優化器其所需保存的優化參數不同， 對於 Adam， 由於其還需要保存其餘參數， 模型的參數量會在優化區間翻 4 倍。
模型每層的輸入輸出
首先，第一點是輸入數據所佔用的顯存， 這部分所佔用的顯存其實並不大，這是因為我們往往採用迭代器的方式讀取數據，這意味著我們其實並不是一次性的將所有數據讀入顯存，而這保證每次輸入所佔用的顯存與整個網絡參數來比是微不足道的。
然後，在模型進行前向傳播與反向傳播時， 一個很重要的事情就是計算並保存每一層的輸出以及其對應的梯度， 這意味著，這也佔據了很大一部分顯存。
最後， 模型輸出的顯存佔用可以總結為：
那麼有沒有辦法通過Pytorch來計算這部分參數量呢？答案是有的，我們可以假設一個batch的樣本，然後通過 model.modules() 來對每一層進行遍歷，獲得每一層的輸出shape， 然後就能夠獲得一個batch的數據的輸出參數量。[2]
所有的顯存佔用計算
顯存佔用 = 模型自身參數 × n + batch size × 輸出參數量 × 2 + 一個batch的輸入數據（往往忽略）
其中，n是根據優化算法來定的，如果選用SGD， 則 n = 2， 如果選擇Adam， 則 n = 4.
一個很棒的實現如下， 我懶得再重新寫了，你可以根據這個改一改，問題不大。
# 模型顯存佔用監測函數
# model：輸入的模型
# input：實際中需要輸入的Tensor變量
# type_size 默認為 4 默認類型為 float32
def modelsize(model, input, type_size=4):
para = sum([np.prod(list(p.size())) for p in model.parameters()])
print('Model {} : params: {:4f}M'.format(model._get_name(), para * type_size / 1000 / 1000))
input_ = input.clone()
input_.requires_grad_(requires_grad=False)
mods = list(model.modules())
out_sizes = []
for i in range(1, len(mods)):
m = mods[i]
if isinstance(m, nn.ReLU):
if m.inplace:
continue
out = m(input_)
out_sizes.append(np.array(out.size()))
input_ = out
total_nums = 0
for i in range(len(out_sizes)):
s = out_sizes[i]
nums = np.prod(np.array(s))
total_nums += nums
print('Model {} : intermedite variables: {:3f} M (without backward)'
.format(model._get_name(), total_nums * type_size / 1000 / 1000))
print('Model {} : intermedite variables: {:3f} M (with backward)'
.format(model._get_name(), total_nums * type_size*2 / 1000 / 1000))
此處不討論多GPU， 分布式計算等情況，只討論一些常規的 Trick， 會不定時進行更新。
降低batch size
這應該很好理解，適當降低batch size， 則模型每層的輸入輸出就會成線性減少， 效果相當明顯。這裡需要注意的一點是, dev batch size 的調整也有助於降低顯存, 同時,不要將 dev 或 test 的batch size 設置為樣本集長度, 我最近就幹了這個傻事，害的我調試了一天才調出來是這個問題。
選擇更小的數據類型
一般默認情況下， 整個網絡中採用的是32位的浮點數，如果切換到 16位的浮點數，其顯存佔用量將接近呈倍數遞減。
精簡模型
在設計模型時，適當的精簡模型，如原來兩層的LSTM轉為一層；原來使用LSTM， 現在使用GRU；減少卷積核數量；儘量少的使用 Linear 等。
數據角度
對於文本數據來說，長序列所帶來的參數量是呈線性增加的， 適當的縮小序列長度可以極大的降低參數量。
total_loss
考慮到 loss 本身是一個包含梯度信息的 tensor， 因此，正確的求損失和的方式為：
total_loss += loss.item()
釋放不需要的張量和變量
採用del釋放你不再需要的張量和變量，這也要求我們在寫模型的時候注意變量的使用，不要隨心所欲，漫天飛舞。
Relu 的 inplace 參數
激活函數 Relu() 有一個默認參數 inplace ，默認為Flase， 當設置為True的時候，我們在通過relu() 計算得到的新值不會佔用新的空間而是直接覆蓋原來的值，這表示設為True， 可以節省一部分顯存。
梯度累積
首先， 要了解一些Pytorch的基本知識：
我們知道， batch size 與佔用顯存息息相關，但有時候我們的batch size 又不能設置的太小，這咋辦呢？答案就是梯度累加。
我們先來看看傳統訓練：
for i,(feature,target) in enumerate(train_loader):
outputs = model(feature) # 前向傳播
loss = criterion(outputs,target) # 計算損失
optimizer.zero_grad() # 清空梯度
loss.backward() # 計算梯度
optimizer.step() # 反向傳播， 更新網絡參數
而加入梯度累加之後，代碼是這樣的：
for i,(features,target) in enumerate(train_loader):
outputs = model(images) # 前向傳播
loss = criterion(outputs,target) # 計算損失
loss = loss/accumulation_steps # 可選，如果損失要在訓練樣本上取平均
loss.backward() # 計算梯度
if((i+1)%accumulation_steps)==0:
optimizer.step() # 反向傳播，更新網絡參數
optimizer.zero_grad() # 清空梯度
其實，這塊有兩種理解方式（受到評論區同學啟發）， 我談談在 bert 裡面最常見的那種。
比較來看， 我們發現，梯度累加本質上就是累加 accumulation_steps 個 batchsize/accumulationsteps 的梯度， 再根據累加的梯度來更新網絡參數，以達到真實梯度類似batch_size 的效果。在使用時，需要注意適當的擴大學習率。
更詳細來說， 我們假設 batch size = 4 ， accumulation steps = 8 ， 梯度積累首先在前向傳播的時候以 batch_size=4 來計算梯度，但是不更新參數，將梯度積累下來，直到我們計算了 accumulation steps 個 batch， 我們再更新參數。其實本質上就等價於：
真正的 batch_size = batch_size * accumulation_steps
梯度積累能很大程度上緩解GPU顯存不足的問題，推薦使用。
在Bert的倉庫中，就使用了這個Trick，十分實用，簡直是我們這種乞丐實驗室的良心Trick。
梯度檢查點
這個Trick我沒用過，畢竟模型還沒有那麼那麼大。
等我用過再更新吧，先把坑挖下。
最後哎， 如果你看完了這篇文章，就說明了一件事情： 小夥子，你卡也不夠啊。哎， 乞丐實驗室不配深度學習，哭了。
Reference[1]科普帖：深度學習中GPU和顯存分析
[2]如何在Pytorch中精細化利用顯存
[3]GPU捉襟見肘還想訓練大批量模型？誰說不可以
[5]PyTorch中在反向傳播前為什麼要手動將梯度清零？
[6]From zero to research — An introduction to Meta-learning
[7] Training Neural Nets on Larger Batches: Practical Tips for 1-GPU, Multi-GPU & Distributed setups
https://zhuanlan.zhihu.com/p/65002487推薦閱讀：
就最近看的paper談談預訓練語言模型發展
如何評價Word2Vec作者提出的fastText算法？深度學習是否在文本分類等簡單任務上沒有優勢？
從Word2Vec到Bert，聊聊詞向量的前世今生（一）