深入理解GPU内存分配:机器学习工程师的实用指南与实验

deephub 2024-08-27 10:51:42

给定一个模型架构、数据类型、输入形状和优化器,你能否计算出前向传播和反向传播所需的GPU内存量?要回答这个问题,我们需要将流程分解为基本组件,并从底层理解内存需求。以下实验(可以在Google Colab上运行)将帮助你理解核心概念。

预留与分配

PyTorch预留了更多内存,但只分配所需的内存。这样做是为了在需要更多内存时能够快速分配,而不是进行昂贵的预留操作。我们只关心内存分配,而不关心预留。

def test_reservation_vs_allocation():    print(f"Base memory reserved: {torch.cuda.memory_reserved(device_id)}")    print(f"Base memory allocated: {torch.cuda.memory_allocated(device_id)}")    # Allocate some memory    x = torch.randn((1024,), dtype=torch.float32, device=device)    print(f"Memory after allocation (reserved): {torch.cuda.memory_reserved(device_id)}")    print(f"Memory after allocation (allocated): {torch.cuda.memory_allocated(device_id)}")    # Cleanup    del x    print(f"Memory after cleanup (reserved): {torch.cuda.memory_reserved(device_id)}")    print(f"Memory after cleanup (allocated): {torch.cuda.memory_allocated(device_id)}")    torch.cuda.empty_cache()    print(f"Memory after empty_cache (reserved): {torch.cuda.memory_reserved(device_id)}")    print(f"Memory after empty_cache (allocated): {torch.cuda.memory_allocated(device_id)}")"""Output:Base memory reserved: 0Base memory allocated: 0Memory after allocation (reserved): 2097152Memory after allocation (allocated): 4096Memory after cleanup (reserved): 2097152Memory after cleanup (allocated): 0Memory after empty_cache (reserved): 0Memory after empty_cache (allocated): 0"""

当删除变量x或当x超出作用域时,x的内存被释放,但仍然为将来使用而预留。只有在调用torch.cuda.empty_cache()时,才会释放预留的内存。

这里的torch.cuda.memory_allocated()将返回PyTorch在此进程上分配的内存。如果有另一个进程正在使用一些GPU内存,将返回0。为了获取真实的GPU内存使用情况,可以使用以下函数。

import subprocessdef get_gpu_memory_used(gpu_id):    """    Returns the amount of memory used on the specified GPU in bytes.    Parameters:    gpu_id (int): The ID of the GPU (e.g., 0 for "cuda:0", 1 for "cuda:1").    Returns:    int: The amount of memory used on the GPU in bytes.    """    try:        # Run the nvidia-smi command to get memory usage        result = subprocess.run(            ["nvidia-smi", "--query-gpu=memory.used", "--format=csv,nounits,noheader", f"--id={gpu_id}"],            stdout=subprocess.PIPE,            text=True        )        # Get the used memory in MiB from the result        used_memory_mib = int(result.stdout.strip())        # Convert MiB to bytes (1 MiB = 1024 * 1024 bytes)        used_memory_bytes = used_memory_mib * 1024 * 1024        return used_memory_bytes    except Exception as e:        print(f"Error occurred: {e}")        return None

数据类型

float32需要4字节的内存,bfloat16需要2字节,我们可以绘制一些数据类型所需的内存图。

图1:不同数据类型的内存分配

def test_dtype_memory_allocation():    dtypes = [torch.float32, torch.float16, torch.bfloat16, torch.int32, torch.int64, torch.uint8, torch.int8, torch.uint16]    memories = []    for dtype in dtypes:        base_memory = get_gpu_memory_used(device_id)        x = torch.ones((1024,), dtype=dtype, device=device)        memory_after_allocation = get_gpu_memory_used(device_id)        memories.append((memory_after_allocation - base_memory) // 1024)        del x        torch.cuda.empty_cache()    fig = plt.figure(figsize=(7, 4))    fig.set_tight_layout(True)    plt.bar([str(d) for d in dtypes], memories)    plt.xlabel("Data type")    plt.ylabel("Bytes per element")    plt.title("Memory allocation for different data types")    plt.xticks(rotation=45)    plt.show()

内存块

内存以512字节的块分配。当创建一个张量时,它被分配到下一个可用的块中。对于形状为(800,)的float32张量,不是分配800 * 4 = 3200字节,而是分配3584(512 * 7)字节。

图2:不同张量大小的内存分配。

def test_memory_allocation_relationship():    """    For different sizes of tensors, check the memory allocated on GPU.    """    memories = []    sizes = 1050    for i in tqdm(range(sizes)):        base_memory = get_gpu_memory_used(device_id)        x = torch.randn((i,), dtype=torch.float32, device=device)        memory_after_allocation = get_gpu_memory_used(device_id)        memories.append(memory_after_allocation - base_memory)        del x        torch.cuda.empty_cache()    plt.plot(memories)    plt.xlabel("Size of float32 tensor")    plt.ylabel("Memory allocated (bytes)")    plt.title("Memory allocation for different tensor sizes")    plt.show()

可训练参数(单个线性层前向传播)

接下来我们将看一个单一的线性层。进行前向传播,并计算所需的内存。

def test_single_linear_layer_forward_allocation():    # Disable cublas    # import os; os.environ["CUBLAS_WORKSPACE_CONFIG"] = ":0:0"    print(f"Base memory: {torch.cuda.memory_allocated(device_id)}")    model = nn.Linear(256, 250, device=device, dtype=torch.float32)    print(f"Memory after model allocation: {torch.cuda.memory_allocated(device_id)}")    x = torch.randn((1, 256,), dtype=torch.float32, device=device)    print(f"Memory after input allocation: {torch.cuda.memory_allocated(device_id)}")    y = model(x)    final_memory = torch.cuda.memory_allocated(device_id)    print(f"Memory after forward pass: {final_memory}")    # Memory calculations    w_mem = len(model.weight.flatten()) * model.weight.dtype.itemsize    # Get the higher multiple of 512    w_mem_as_chunks = (w_mem + 511) // 512 * 512    print(f"{model.weight.shape=}, {w_mem=}, {w_mem_as_chunks=}")    b_mem = len(model.bias) * model.bias.dtype.itemsize    b_mem_as_chunks = (b_mem + 511) // 512 * 512    print(f"{model.bias.shape=}, {b_mem=}, {b_mem_as_chunks=}")    x_mem = (len(x.flatten()) * x.dtype.itemsize + 511) // 512 * 512    y_mem = (len(y.flatten()) * y.dtype.itemsize + 511) // 512 * 512    print(f"{x_mem=}, {y_mem=}")    total_memory_expected = w_mem_as_chunks + b_mem_as_chunks + x_mem + y_mem    cublas_workspace_size = 8519680    memory_with_cublas = total_memory_expected + cublas_workspace_size    print(f"{total_memory_expected=}, {memory_with_cublas=}")        assert final_memory == memory_with_cublas    del model, x, y    torch.cuda.empty_cache()    print(f"Memory after cleanup: {torch.cuda.memory_allocated(device_id)}")    torch._C._cuda_clearCublasWorkspaces()    print(f"Memory after clearing cublas workspace: {torch.cuda.memory_allocated(device_id)}")"""Output:Base memory: 0Memory after model allocation: 257024Memory after input allocation: 258048Memory after forward pass: 8778752model.weight.shape=torch.Size([250, 256]), w_mem=256000, w_mem_as_chunks=256000model.bias.shape=torch.Size([250]), b_mem=1000, b_mem_as_chunks=1024x_mem=1024, y_mem=1024total_memory_expected=259072, memory_with_cublas=8778752Memory after cleanup: 8519680Memory after clearing cublas workspace: 0"""

model有一个形状为(256, 250)的float32 weight矩阵,占用(256 * 250 * 4) = 256,000字节,这正好是内存块大小512的倍数(512 * 500 = 256,000)。但是bias有250个float32需要占用(250 * 4) = 1000字节。而512的更高倍数是2,(512 * 2) = 1024字节。x和y是形状为(256,)的张量,所以它们各占用1024字节。总内存 = weight + bias + x + y

当我们将所有内容加起来时,应该得到259,072字节(256,000 + 1024 + 1024 + 1024)。但是实际观察到的大小是8,778,752字节。这额外的8,519,680字节来自分配cuBLAS工作空间。

这是为快速矩阵乘法操作预留的内存空间。对于某些matmul操作,会分配一个新的8,519,680字节的块。这个大小可能会根据GPU和Python环境而变化。当调用torch.cuda.empty_cache()时,cublas内存不会消失。它需要torch._C._cuda_clearCublasWorkspaces()来实际清除它。也可以设置环境变量os.environ["CUBLAS_WORKSPACE_CONFIG"] = ":0:0"来禁用cublas工作空间。但这可能是一种以牺牲执行速度为代价来优化内存的方法,所以我们使用默认就好。

梯度(单个线性层反向传播)

使用相同的模型,运行loss.backward()。为简单起见假设损失为loss = y.sum()。

def test_single_linear_layer_backward_allocation():    print(f"Base memory: {torch.cuda.memory_allocated(device_id)}")    model = nn.Linear(256, 250, device=device, dtype=torch.float32)    x = torch.randn((1, 256,), dtype=torch.float32, device=device)    y = model(x)    print(f"Memory after forward pass: {torch.cuda.memory_allocated(device_id)}")    y.sum().backward()    final_memory = torch.cuda.memory_allocated(device_id)    print(f"Memory after backward pass: {final_memory}")    # Memory calculations    next_chunk = lambda n: (n + 511) // 512 * 512    units = model.weight.dtype.itemsize  # 4 bytes for float32    mem = next_chunk(len(model.weight.flatten()) * units)    mem += next_chunk(len(model.bias) * units)    print(f"Excepted model memory: {mem}")    x_mem = next_chunk(len(x.flatten()) * units)    y_mem = next_chunk(len(y.flatten()) * units)    print(f"{x_mem=}, {y_mem=}")    mem += x_mem + y_mem    # Gradient memory    w_grad_mem = next_chunk(len(model.weight.grad.flatten()) * units)    b_grad_mem = next_chunk(len(model.bias.grad.flatten()) * units)    print(f"{model.weight.grad.shape=}, {w_grad_mem=}")    print(f"{model.bias.grad.shape=}, {b_grad_mem=}")    mem += w_grad_mem + b_grad_mem    mem += 2 * 8519680  # cublas_size doubled    print(f"Total memory expected: {mem}")    assert final_memory == mem    del model, x, y    torch.cuda.empty_cache()    print(f"Memory after cleanup: {torch.cuda.memory_allocated(device_id)}")    torch._C._cuda_clearCublasWorkspaces()    print(f"Memory after clearing cublas workspace: {torch.cuda.memory_allocated(device_id)}")"""Output:Base memory: 0Memory after forward pass: 8778752Memory after backward pass: 17555456Excepted model memory: 257024x_mem=1024, y_mem=1024model.weight.grad.shape=torch.Size([250, 256]), w_grad_mem=256000model.bias.grad.shape=torch.Size([250]), b_grad_mem=1024Total memory expected: 17555456Memory after cleanup: 17039360Memory after clearing cublas workspace: 0"""

由于每个具有requires_grad=True的模型参数都会有一个.grad成员来存储底层张量的梯度,所以模型的大小会翻倍。

这次分配了2个cublas工作空间内存块,假设一个用于前向传播,一个用于反向传播。此时cublas何时确切地分配新块还不确定。

中间张量(多层前馈网络)

当模型在推理模式下运行时,没有自动求导图,不需要存储中间张量。所以内存量只是简单地将每一层的内存相加。

在需要跟踪计算图的训练模式下情况会有所不同。当有多个串行应用的操作时,比如在前馈网络或任何深度网络中,自动求导图需要记住这些操作的中间张量。存储需求取决于它们的偏导数操作的性质。这些中间张量在反向传播过程中从内存中清除。我们看一些例子:x是输入,w是需要梯度的参数(w.requires_grad = True)。

x @ w不需要额外的存储。偏导数x已经存储。但是当x是某个输出,如x = u * w1时,x也需要被存储。

x + w也不需要存储,因为对w的偏导数是0。

(x * 2) @ w将需要存储操作数x * 2,因为它将用于找到梯度。

(((x + 2) @ w1) + 3) * w2是一个有趣的案例,模仿了2层。

对于关于w1的偏导数,我们需要存储x + 2

对于关于w2的偏导数,我们需要存储((x + 2) @ w1) + 3

让我们看看更深网络的实现:

def test_multi_layer_forward():    print(f"Base memory: {torch.cuda.memory_allocated(device_id)}")    inference_mode = False    n_layers = 1    model = nn.Sequential(*[        nn.Sequential(            nn.Linear(200, 100),            nn.ReLU(),  # No trainable params            nn.Linear(100, 200),            nn.Sigmoid(),  # No trainable params        )        for _ in range(n_layers)    ]).to(device_id)    batch_size = 5    x = torch.randn((batch_size, 200), device=device_id)    with torch.inference_mode(inference_mode):        y = model(x)    final_memory = torch.cuda.memory_allocated(device_id)    print(f"Memory after forward pass: {final_memory}")    # Computed memory    next_chunk = lambda n: (n + 511) // 512 * 512    mem = 0    unit = model[0][0].weight.dtype.itemsize    for block in model:        for layer in block:            if isinstance(layer, nn.Linear):                mem += next_chunk(len(layer.weight.flatten()) * unit)                mem += next_chunk(len(layer.bias) * unit)                if not inference_mode:                    # Gotta store the input                    mem += next_chunk(layer.in_features * batch_size * unit)    mem += next_chunk(len(y.flatten()) * unit)    mem += 8519680  # cublas_size    if inference_mode:        mem += next_chunk(len(y.flatten()) * unit)    print(f"Total memory expected: {mem}")    assert final_memory == mem

在像BatchNorm1d、LayerNorm、RMSNorm这样的归一化层中,在与参数w相乘之前,有一个对输入x的操作,如(x — x.mean()) / (x.std() + 1e-6) * w。操作数(x — x.mean()) / (x.std() + 1e-6)是需要存储的中间输出。并且可能还有其他状态,如running_mean、running_std或forward()方法中的中间张量需要考虑。其中一些中间张量我们无法访问,所以我们无法确定发生了什么。当包含批量大小时,这变得更加复杂。

def test_layer_norm():    print(f"Base memory: {torch.cuda.memory_allocated(device_id)}")    x = torch.rand((10,), device=device_id)    w = torch.rand((10,), requires_grad=True, device=device_id)    # Layer Norm    y = (x - x.mean()) / (x.std() + 1e-6) * w    final_memory = torch.cuda.memory_allocated(device_id)    print(f"Memory after forward pass: {final_memory}")    # Memory calculations    next_chunk = lambda n: (n + 511) // 512 * 512    mem = next_chunk(len(x.flatten()) * x.dtype.itemsize)    mem += next_chunk(len(w.flatten()) * w.dtype.itemsize)    mem += next_chunk(len(y.flatten()) * y.dtype.itemsize)    mem += next_chunk(len(x.flatten()) * x.dtype.itemsize)  # intermediate    print(f"Total memory expected: {mem}")    assert final_memory == mem

反向传播非常相似,但有一些变化:

模型大小因梯度存储而翻倍。

所有中间张量在最后都被清除。

分配了一个新的cublas工作空间。

def test_multi_layer_backward():    print(f"Base memory: {torch.cuda.memory_allocated(device_id)}")    n_layers = 1    model = nn.Sequential(*[        nn.Sequential(            nn.Linear(200, 100),            nn.ReLU(),  # No trainable params            nn.Linear(100, 200),            nn.Sigmoid(),  # No trainable params        )        for _ in range(n_layers)    ]).to(device_id)    batch_size = 5    x = torch.randn((batch_size, 200), device=device_id)    y = model(x)    print(f"Memory after forward pass: {torch.cuda.memory_allocated(device_id)}")    y.sum().backward()    final_memory = torch.cuda.memory_allocated(device_id)    print(f"Memory after backward pass: {final_memory}")    # Computed memory    next_chunk = lambda n: (n + 511) // 512 * 512    mem = 0    unit = model[0][0].weight.dtype.itemsize    for block in model:        for layer in block:            if isinstance(layer, nn.Linear):                mem += next_chunk(len(layer.weight.flatten()) * unit) * 2   # Weights and gradients                mem += next_chunk(len(layer.bias) * unit) * 2               # Biases and gradients                # mem += next_chunk(layer.in_features * batch_size * unit)  # Intermediate tensors are cleared    mem += next_chunk(len(y.flatten()) * unit)    mem += 2 * 8519680                                                      # cublas_size doubled    mem += next_chunk(len(y.flatten()) * unit)    print(f"Total memory expected: {mem}")    assert final_memory == mem

优化器(单个线性层反向传播)

我们观察一些优化步骤的内存分配。

def test_single_linear_layer_with_optimizer():    # Disable cublas    import os; os.environ["CUBLAS_WORKSPACE_CONFIG"] = ":0:0"    memory_timeline_real = []    add = lambda e: memory_timeline_real.append({"event": e, "memory": torch.cuda.memory_allocated(device_id)})    add("baseline")    in_size = 256    out_size = 250    batch_size = 100    model = nn.Linear(in_size, out_size, device=device, dtype=torch.float32)    add("model_allocation")    optimizer = torch.optim.Adam(model.parameters(), lr=0.001)    add("optimizer_init")    x = torch.randn((batch_size, in_size,), dtype=torch.float32, device=device)    add("input_allocation")    def step(n):        optimizer.zero_grad()        add(f"optim_zero_grad_{n}")        y = model(x)        add(f"forward_{n}")        y.sum().backward()        add(f"backward_{n}")        optimizer.step()        del y        add(f"optim_step_{n}")    for i in range(4):        step(i + 1)    # Bar chart with even name on x-axis and total_memory on y-axis    fig = plt.figure(figsize=(15, 7))    fig.set_tight_layout(True)    plt.ylim((0, 1_300_000))    plt.bar([event["event"] for event in memory_timeline_real], [event["memory"] for event in memory_timeline_real])    plt.xlabel("Event")    plt.ylabel("Total memory allocated (bytes)")    plt.title(f"Memory allocation during training ({type(optimizer)})")    plt.xticks(rotation=45)    plt.show()

图3:使用SGD优化器在训练的各个阶段的内存分配

图4:使用Adam优化器在训练的各个阶段的内存分配

直到backward_1,我们看到内存分配如预期。当optimizer.step()结束时,在这个特定的代码中删除了y,所以该内存被释放。在底层优化器会获取额外的内存(等于可训练参数的大小)来更新它们,并在更新后释放该内存。这在图中没有显示。更详细的时间图可以在下图5中看到。

对于Adam对每个可训练参数都有一阶矩和二阶矩。所以它总是在内存中保留2倍的模型大小。这是这段代码中训练最耗费内存的部分。

图5:按毫秒计的内存分配时间图。

现在让我们尝试手动计算这些内存需求:

# Memory calculations (continuing from previous code block)    units = model.weight.dtype.itemsize    memory_timeline = []    all_keys = ["trainable_params", "input", "output", "gradient", "intermediate_tensors", "optimizer_state"]    def update_memory(event: str, update: dict):        prev_state = memory_timeline[-1] if memory_timeline else {k: 0 for k in all_keys}        new_state = {k: prev_state.get(k, 0) + update.get(k, 0) for k in all_keys}        new_state["event"] = event        memory_timeline.append(new_state)    next_chunk = lambda n: (n + 511) // 512 * 512    update_memory("baseline", {})    # Model memory    model_mem = next_chunk(len(model.weight.flatten()) * units)    model_mem += next_chunk(len(model.bias) * units)    update_memory("model_allocation", {"trainable_params": model_mem})    update_memory("optimizer_init", {})    # Input memory    x_mem = next_chunk(len(x.flatten()) * units)    update_memory("input_allocation", {"input": x_mem})    update_memory("optim_zero_grad_1", {})    # Forward    y_mem = next_chunk(batch_size * out_size * units)    # Add any intermediate tensors here.    update_memory("forward_1", {"output": y_mem})  # , "intermediate_tensors": ...})    # Backward    grad_mem = next_chunk(len(model.weight.grad.flatten()) * units)    grad_mem += next_chunk(len(model.bias.grad.flatten()) * units)    # Clear any intermediate tensors here.    update_memory("backward_1", {"gradient": grad_mem})  # "intermediate_tensors": ...})    # Optimizer memory    if isinstance(optimizer, torch.optim.SGD):        # SGD has parameters in memory. They are cleared after each step.        optimizer_mem = 0    elif isinstance(optimizer, torch.optim.Adam):        # Adam has parameters and 2 momentum buffers. Parameters are cleared after each step.        optimizer_mem = 2 * model_mem    else:        raise    update_memory("optim_step_1", {"optimizer_state": optimizer_mem, "output": -y_mem})    for step in range(2, 5):        update_memory(f"optim_zero_grad_{step}", {"gradient": -grad_mem})        update_memory(f"forward_{step}", {"output": y_mem})        update_memory(f"backward_{step}", {"gradient": grad_mem})        update_memory(f"optim_step_{step}", {"output": -y_mem})    # Make totals    for event in memory_timeline:        event["total"] = sum([v for v in event.values() if isinstance(v, int)])    # Plot memory timeline    import pandas as pd    df = pd.DataFrame(memory_timeline, columns=all_keys + ["event"])    df.set_index("event", inplace=True, drop=True)    df.plot(kind='bar', stacked=True, figsize=(15, 7), ylim=(0, 1_300_000), xlabel="Event", ylabel="Total memory allocated (bytes)", title=f"Memory allocation expected ({type(optimizer)})")    plt.tight_layout()    plt.xticks(rotation=45)    plt.show()    # Compare the two timelines    for i, (real, expected) in enumerate(zip(memory_timeline_real, memory_timeline)):        assert real["memory"] == expected["total"], f"Memory mismatch at {real['event']}: {real['memory']} != {expected['total']}"

图6:使用SGD优化器在训练的不同阶段的内存使用分段

图7:使用Adam优化器在训练的不同阶段的内存使用分段

在手动计算内存分配后,我们的计算与观察结果相匹配。这次实际上可以看到内存分配到各种张量的分段。例如,Adam的状态占用了两倍的模型大小。梯度(红色)的不同变化。如果向继续测试,还可以尝试向这个模型添加更多层,添加中间张量并在适当的时候删除它们。这应该在这些条形图中创建另一个代表中间张量的分段。

总结

结合上面的每个概念我们可以回答主要问题:

可训练参数:固定的模型大小

内存块:它只以512字节的块出现

Cublas内存:前向传播一个块,反向传播一个块

梯度:与模型大小相同

中间张量:最麻烦的部分,取决于代码如何编写

优化器:至少分配一倍的模型大小

最后一个问题就是,我们只处理了前馈层,那么CNN、Transformers、RNN等呢?首先CNN是类似前馈层的操作,所以我们可以根据他的计算规则进行计算,而Transformers、RNN都基础操作的组合,我们计算了一个前馈层可以根据他们的架构进行组合计算。我们已经掌握了计算前馈层内存需求的方法,所以我们可以自己解决这些问题!

https://avoid.overfit.cn/post/2b0e1514fcb74a2c90bb5016b6b12cd9

作者:Akhilez

0 阅读:1

deephub

简介:提供专业的人工智能知识,包括CV NLP 数据挖掘等