python - torch 就地操作以节省内存(softmax)

Question

torch 中的一些操作是就地执行的。速记运算符，例如 +=。

其他操作是否可以就地执行，例如softmax ？

我目前正在从事语言处理工作。该模型在大量词汇上生成一长串概率分布。最终输出张量约占分配内存的 60%。这是一个很大的问题，因为我需要计算它的 softmax，这使得所需的内存加倍。

这是问题的一个示例。我对张量 t 不感兴趣，只对它的 softmax 感兴趣:

import numpy as np
import torch
import torch.nn.functional as F

t = torch.tensor(np.zeros((30000,30000))).cuda()  #allocates 6.71 GB of GPU
softmax = F.softmax(t, 1)  #out of memory error
del t  #too late, program crashed

即使下面的方法也不起作用:

F.softmax(torch.tensor(np.zeros((30000,30000))).cuda(), 1)

Answer 1

我创建了一个就地版本的 softmax:

import numpy as np
import torch
import torch.nn.functional as F

# in-place version
t = torch.tensor(np.ones((100,200)))
torch.exp(t, out=t)
summed = torch.sum(t, dim=1, keepdim=True)
t /= summed

# original version
t2 = torch.tensor(np.ones((100,200)))
softmax = F.softmax(t2, 1)

assert torch.allclose(t, softmax)

回答我的问题:如果您想要就地函数，您必须通过将低级操作插入在一起来自己创建它们:

• 许多功能，例如 torch.exp可以指定一个可选的 out 参数。
• 分配t[idx] = some就位
• 简写运算符 /=、*=、+=、-= 已到位<

这需要仔细调试并且可能不直观:

t = t / summed  #not in-place
t /= summed  #in-place

我读到就地操作可能会产生渐变问题。我将使用此代码进行更多测试。