下面通過實驗來探索Pytorch分配視訊記憶體的方式。
實驗
視訊記憶體到主存
我使用VSCode的jupyter來進行實驗，首先只匯入pytorch，程式碼如下：
import torch
開啟工作管理員檢視主存與視訊記憶體情況。情況分別如下：
在視訊記憶體中建立1GB的張量，賦值給a，程式碼如下：
a = torch.zeros([256,1024,1024],device= 'cpu')
檢視主存與視訊記憶體情況：
可以看到主存與視訊記憶體都變大了，而且視訊記憶體不止變大了1G，多出來的記憶體是pytorch執行所需的一些配置變數，我們這裡忽略。
再次在視訊記憶體中建立一個1GB的張量，賦值給b，程式碼如下：
b = torch.zeros([256,1024,1024],device= 'cpu')
檢視主視訊記憶體情況：
這次主存大小沒變，視訊記憶體變高了1GB，這是合情合理的。然後我們將b移動到主存中，程式碼如下：
b = b.to('cpu')
檢視主視訊記憶體情況：
發現主存是變高了1GB，視訊記憶體卻只變小了0.1GB，好像只是將視訊記憶體張量複製到主存一樣。實際上，pytorch的確是複製了一份張量到主存中，但它也對視訊記憶體中這個張量的移動進行了記錄。我們接著執行以下程式碼，再建立1GB的張量賦值給c：
c = torch.zeros([256,1024,1024],device= 'cuda')
檢視主視訊記憶體情況：
發現只有視訊記憶體大小變大了0.1GB，這說明，Pytorch的確記錄了視訊記憶體中張量的移動，只是沒有立即將視訊記憶體空間釋放，它選擇在下一次建立新變數時覆蓋這個位置。接下來，我們重複執行上面這行程式碼：
c = torch.zeros([256,1024,1024],device= 'cuda')
主視訊記憶體情況如下：
明明我們把張量c給覆蓋了，視訊記憶體內容卻變大了，這是為什麼呢？實際上，Pytorch在執行這句程式碼時，是首先找到可使用的視訊記憶體位置，建立這1GB的張量，然後再賦值給c。但因為在新建立這個張量時，原本的c依然佔有1GB的視訊記憶體，pytorch只能先調取另外1GB視訊記憶體來建立這個張量，再將這個張量賦值給c。這樣一來，原本的那個c所在的視訊記憶體內容就空出來了，但和前面說的一樣，pytorch並不會立即釋放這裡的視訊記憶體，而等待下一次的覆蓋，所以視訊記憶體大小並沒有減小。
我們再建立1GB的d張量，就可以驗證上面的猜想，程式碼如下：
d = torch.zeros([256,1024,1024],device= 'cuda')
主視訊記憶體情況如下：
視訊記憶體大小並沒有變，就是因為pytorch將新的張量建立在了上一步c空出來的位置，然後再賦值給了d。另外，刪除變數操作也同樣不會立即釋放視訊記憶體：
del d
主視訊記憶體情況：
視訊記憶體沒有變化，同樣是等待下一次的覆蓋。
主存到視訊記憶體
接著上面的實驗，我們建立直接在主存建立1GB的張量並賦值給e，程式碼如下：
e = torch.zeros([256,1024,1024],device= 'cpu')
主視訊記憶體情況如下：
主存變大1GB，合情合理。然後將e移動到視訊記憶體，程式碼如下：
e = e.to('cuda')
主視訊記憶體情況如下：
主存變小1GB，視訊記憶體沒變是因為上面張量d被刪除沒有被覆蓋，合情合理。說明主存的釋放是立即執行的。
總結
通過上面的實驗，我們瞭解到，pytorch不會立即釋放視訊記憶體中失效變數的記憶體，它會以覆蓋的方式利用視訊記憶體中的可用空間。另外，如果要重置視訊記憶體中的某個規模較大的張量，最好先將它移動到主存中，或是直接刪除，再建立新值，否則就需要兩倍的記憶體來實現這個操作，就有可能出現視訊記憶體不夠用的情況。
實驗程式碼彙總如下：
#%% import torch #%% a = torch.zeros([256,1024,1024],device= 'cuda') #%% b = torch.zeros([256,1024,1024],device= 'cuda') #%% b = b.to('cpu') #%% c = torch.zeros([256,1024,1024],device= 'cuda') #%% c = torch.zeros([256,1024,1024],device= 'cuda') #%% d = torch.zeros([256,1024,1024],device= 'cuda') #%% del d #%% e = torch.zeros([256,1024,1024],device= 'cpu') #%% e = e.to('cuda')