银锭网那个网站做的 好/seo咨询服务价格

前言

最近的工作中，用到了Pytorch框架训练医学图像分割模型。精心设计的模型经常会因为显存不足而失败。减小模型训练过程中对显存的占用，可能我们能想到最简单的方法就是减小batchsize，减少卷积核数量，裁剪输入图像的大小等。但是，以上方法可能会影响模型性能。经过多次尝试，总结了几种尽可能不改变模型结构，不影响模型性能且能够节省显存的训练方法。

清理GPU缓存

Pytorch提供了torch.cuda.empty_cache()函数用来清理GPU的缓存数据，在实际的模型训练中，我们可以将此函数与异常处理相结合，一旦发生显存溢出，异常处理机制可以捕获异常信息，清理GPU缓存，以保证模型正常训练。总体实现代码如下：

...

try:

output_data = model(input_data)

loss = calcloss(output_data,input_label)

...

except RuntimeError as exception:

if "out of memory" in str(exception):

print("GPU 显存不足！")

if hasattr(torch.cuda,"empty_cache"):

torch.cuda.empty_cache()

else:

raise exception

...

此方法能够起作用的前提是模型自身占用显存较小，如果模型过大，很容易丢失大量训练数据，影响模型性能。

改进反向传播中activation的存储方式

Tianq