在代碼中添加以下兩行可以解決：
torch.backends.cudnn.enabled = True
torch.backends.cudnn.benchmark = True
補充：pytorch訓練過程顯存一直增加的問題
之前遇到了爆顯存的問題，卡了很久，試了很多方法，總算解決了。
總結下自己試過的幾種方法：
**1. 使用torch.cuda.empty_cache()
在每一個訓練epoch后都添加這一行代碼，可以讓訓練從較低顯存的地方開始，但并不適用爆顯存的問題，隨著epoch的增加，最大顯存占用仍然會提示out of memory 。
2.使用torch.backends.cudnn.enabled = True 和 torch.backends.cudnn.benchmark = True
原理不太清楚，用法和1一樣。但是幾乎沒有效果，直接pass。
3.最重要的：查看自己的forward函數是否存在泄露。
常需要在forward函數里調用其他子函數，這時候要特別注意：
input盡量不要寫在for循環里面?。?！
子函數里如果有append（）等函數，一定少用，能不用就不用?。?！
子函數list一定少用，能不用就不用?。?！
總之，子函數一般也不會太復雜，直接寫出來，別各種for，嵌套，變量。?。。?/p>
補充：Pytorch顯存不斷增長問題的解決思路
這個問題，我先后遇到過兩次，每次都異常艱辛的解決了。
在網上，關于這個問題，你可以找到各種看似不同的解決方案，但是都沒能解決我的問題。所以只能自己摸索，在摸索的過程中，有了一個排查問題點的思路。
下面舉個例子說一下我的思路。
大體思路
其實思路很簡單，就是在代碼的運行階段輸出顯存占用量，觀察在哪一塊存在顯存劇烈增加或者顯存異常變化的情況。
但是在這個過程中要分級確認問題點，也即如果存在三個文件main.py、train.py、model.py。
在此種思路下，應該先在main.py中確定問題點，然后，從main.py中進入到train.py中，再次輸出顯存占用量，確定問題點在哪。
隨后，再從train.py中的問題點，進入到model.py中，再次確認。
如果還有更深層次的調用，可以繼續追溯下去。
具體例子
main.py
def train(model,epochs,data):
for e in range(epochs):
print("1:{}".format(torch.cuda.memory_allocated(0)))
train_epoch(model,data)
print("2:{}".format(torch.cuda.memory_allocated(0)))
eval(model,data)
print("3:{}".format(torch.cuda.memory_allocated(0)))
假設1與2之間顯存增加極為劇烈，說明問題出在train_epoch中，進一步進入到train.py中。
train.py
def train_epoch(model,data):
model.train()
optim=torch.optimizer()
for batch_data in data:
print("1:{}".format(torch.cuda.memory_allocated(0)))
output=model(batch_data)
print("2:{}".format(torch.cuda.memory_allocated(0)))
loss=loss(output,data.target)
print("3:{}".format(torch.cuda.memory_allocated(0)))
optim.zero_grad()
print("4:{}".format(torch.cuda.memory_allocated(0)))
loss.backward()
print("5:{}".format(torch.cuda.memory_allocated(0)))
utils.func(model)
print("6:{}".format(torch.cuda.memory_allocated(0)))
如果在1,2之間，5,6之間同時出現顯存增加異常的情況。此時需要使用控制變量法，例如我們先讓5,6之間的代碼失效，然后運行，觀察是否仍然存在顯存爆炸。如果沒有，說明問題就出在5,6之間下一級的代碼中。進入到下一級代碼，進行調試：
utils.py
def func(model):
print("1:{}".format(torch.cuda.memory_allocated(0)))
a=f1(model)
print("2:{}".format(torch.cuda.memory_allocated(0)))
b=f2(a)
print("3:{}".format(torch.cuda.memory_allocated(0)))
c=f3(b)
print("4:{}".format(torch.cuda.memory_allocated(0)))
d=f4(c)
print("5:{}".format(torch.cuda.memory_allocated(0)))
此時我們再展示另一種調試思路，先注釋第5行之后的代碼，觀察顯存是否存在先訓爆炸，如果沒有，則注釋掉第7行之后的，直至確定哪一行的代碼出現導致了顯存爆炸。假設第9行起作用后，代碼出現顯存爆炸，說明問題出在第九行，顯存爆炸的問題鎖定。
幾種導致顯存爆炸的情況
pytorch的hook機制可能導致，顯存爆炸，hook函數取出某一層的輸入輸出跟權重后，不可進行存儲，修改等操作，這會造成hook不能回收，進而導致取出的輸入輸出權重都可能不被pytorch回收，所以模型的負擔越來也大，最終導致顯存爆炸。
這種情況是我第二次遇到顯存爆炸查出來的，非常讓人匪夷所思。在如下代碼中，p.sub_(torch.mm(k, torch.t(k)) / (alpha + torch.mm(r, k)))，導致了顯存爆炸，這個問題點就是通過上面的方法確定的。
這個P是一個矩陣，在使用p.sub_的方式更新P的時候，導致了顯存爆炸。
將這行代碼修改為p=p-(torch.mm(k, torch.t(k)) / (alpha + torch.mm(r, k)))，顯存爆炸的問題解決。
def pro_weight(p, x, w, alpha=1.0, cnn=True, stride=1):
if cnn:
_, _, H, W = x.shape
F, _, HH, WW = w.shape
S = stride # stride
Ho = int(1 + (H - HH) / S)
Wo = int(1 + (W - WW) / S)
for i in range(Ho):
for j in range(Wo):
# N*C*HH*WW, C*HH*WW = N*C*HH*WW, sum -> N*1
r = x[:, :, i * S: i * S + HH, j * S: j * S + WW].contiguous().view(1, -1)
# r = r[:, range(r.shape[1] - 1, -1, -1)]
k = torch.mm(p, torch.t(r))
p.sub_(torch.mm(k, torch.t(k)) / (alpha + torch.mm(r, k)))
w.grad.data = torch.mm(w.grad.data.view(F, -1), torch.t(p.data)).view_as(w)
else:
r = x
k = torch.mm(p, torch.t(r))
p.sub_(torch.mm(k, torch.t(k)) / (alpha + torch.mm(r, k)))
w.grad.data = torch.mm(w.grad.data, torch.t(p.data))
以上為個人經驗，希望能給大家一個參考，也希望大家多多支持腳本之家。如有錯誤或未考慮完全的地方，望不吝賜教。
您可能感興趣的文章:- Python深度學習之使用Pytorch搭建ShuffleNetv2
- win10系統配置GPU版本Pytorch的詳細教程
- 淺談pytorch中的nn.Sequential(*net[3: 5])是啥意思
- pytorch visdom安裝開啟及使用方法
- PyTorch CUDA環境配置及安裝的步驟(圖文教程)
- pytorch中的nn.ZeroPad2d()零填充函數實例詳解
- 使用pytorch實現線性回歸
- pytorch實現線性回歸以及多元回歸
- Pytorch 使用tensor特定條件判斷索引
- 在Windows下安裝配置CPU版的PyTorch的方法
- PyTorch兩種安裝方法
- PyTorch的Debug指南
