pytorch节省显存小技巧

使用pytorch进行文本多分类问题时遇到了显存out of memory的情况，实验了多种方法，主要比较有效的有两种：
1、尽可能使用inplace操作，比如relu可以使用inplace=True
进一步将BN归一化和激活层Relu打包成inplace，在BP的时候再重新计算。
代码与论文参考
mapillary/inplace_abn
efficient_densenet_pytorch
效果：可以减少一半的显存
原理：
在大多数的深度网络的前向传播中，都有BN-Activation-Conv这样的网络结构，就必须要存储归一化的输入和全卷机层的输入。这是有必要的，因为反向传播需要输入计算梯度。通过重写BN的反向传播步骤，使用ABN代替BN-Activation序列，可以不用存储BN的输入(可通过激活函数的输出即全卷机层的输入反推)，节省50%的显存。
2、使用float16精度混合计算，利用NVIDIA 的apex，也能减少50%的显存。但是有一些操作不安全如mean、sum等
官方代码参考
NVIDIA apex
3、pytorch1.0提供了模型拆分成2部分在2张卡上运行的方案
pytorch官网多卡例子
4、使用pytorch1.0的checkpoint特性，可以减少90%的显存
ckeckpoint通过交换计算内存来工作。而不是存储整个计算图的所有中间激活用于向后计算。ckeckpoint不会保存中间的激活参数，而是通过反向传播时重新计算他们。
具体可见我的GitHub一个文本分类项目
我的GitHub