Python函数内部与函数外部执行相同语句的显存区别

一只积极向上的小咸鱼2024-12-01 5:06

执行代码

python 复制代码 
mport torch
import torch.cuda
# 设置设备
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
# 参数设置
B = 64  # batch size
L = 32  # sequence length
C = 512  # embedding dimension
H = 8  # number of heads
D = C // H  # head dimension
# 创建随机张量
q = torch.randn(B, H, L, D).to(device)
k = torch.randn(B, H, D, L).to(device)
v = torch.randn(B, H, L, D).to(device)
x = torch.randn(B, L, C).to(device)
# 记录当前显存使用
def fa( x):
    print(f"Initial Memory: {torch.cuda.memory_allocated() / 1024**2:.2f} MB")
    prev_memory = torch.cuda.memory_allocated() 
    # 执行矩阵乘法
    attn = (q @ k) * 0.125  # 假设 self.scale = 0.125
    current_memory = torch.cuda.memory_allocated()
    memory_change = (current_memory - prev_memory) / 1024**2
    print(f"After matmul: {current_memory / 1024**2:.2f} MB, Change: {memory_change:.2f} MB")
    prev_memory = current_memory  # 更新 prev_memory
    if True:
        # 执行最终的矩阵乘法和重新整形
        x = (attn @ v).transpose(1, 2).reshape(B, L, C)
        current_memory = torch.cuda.memory_allocated()
        memory_change = (current_memory - prev_memory) / 1024**2
        print(f"After final matmul and reshape: {current_memory / 1024**2:.2f} MB, Change: {memory_change:.2f} MB")
fa(x)
current_memory = torch.cuda.memory_allocated()
print(f"final : {current_memory / 1024**2:.2f} MB")

结果为

bash 复制代码 
Initial Memory: 16.00 MB
After matmul: 18.00 MB, Change: 2.00 MB
After final matmul and reshape: 22.00 MB, Change: 4.00 MB
final : 16.00 MB

但是执行代码

python 复制代码 
import torch
import torch.cuda
# 设置设备
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
# 参数设置
B = 64  # batch size
L = 32  # sequence length
C = 512  # embedding dimension
H = 8  # number of heads
D = C // H  # head dimension
# 创建随机张量
q = torch.randn(B, H, L, D).to(device)
k = torch.randn(B, H, D, L).to(device)
v = torch.randn(B, H, L, D).to(device)
x = torch.randn(B, L, C).to(device)
print(f"Initial Memory: {torch.cuda.memory_allocated() / 1024**2:.2f} MB")
prev_memory = torch.cuda.memory_allocated() 
# 执行矩阵乘法
attn = (q @ k) * 0.125  # 假设 self.scale = 0.125
current_memory = torch.cuda.memory_allocated()
memory_change = (current_memory - prev_memory) / 1024**2
print(f"After matmul: {current_memory / 1024**2:.2f} MB, Change: {memory_change:.2f} MB")
prev_memory = current_memory  # 更新 prev_memory
if True:
    # 执行最终的矩阵乘法和重新整形
    x = (attn @ v).transpose(1, 2).reshape(B, L, C)
    current_memory = torch.cuda.memory_allocated()
    memory_change = (current_memory - prev_memory) / 1024**2
    print(f"After final matmul and reshape: {current_memory / 1024**2:.2f} MB, Change: {memory_change:.2f} MB")

结果为

bash 复制代码 
Initial Memory: 16.00 MB
After matmul: 18.00 MB, Change: 2.00 MB
After final matmul and reshape: 18.00 MB, Change: 0.00 MB

主要涉及 PyTorch 的显存管理机制 和 Python 的作用域规则。

1. 作用域与变量生命周期：

在 Python 中，变量的生命周期受到作用域的影响：

  • 不在函数中 时：
    • 当执行 x = (attn @ v).transpose(1, 2).reshape(B, L, C) 时，旧的 x 会被立即覆盖，旧的 x 的引用计数变为 0，显存会被立即释放或加入缓存。
  • 在函数中 时：
    • 局部变量（如 attn, v 等）在函数执行完之前不会被释放，即使 x 被重新赋值，中间张量（如 attn @ v）依然在显存中占用空间。
    • 这些局部变量直到函数返回后才会被 Python 的垃圾回收机制回收，导致显存未及时释放，从而造成额外的显存占用。
2. PyTorch 的显存缓存机制：

PyTorch 使用 CUDA 显存缓存机制来优化显存分配，但有以下行为特征：

  • 不在函数中时 ：
    • PyTorch 可能更积极地释放未引用的张量。
  • 在函数中时 ：
    • 中间结果的显存使用可能会被缓存，直到函数执行完毕，导致显存使用看起来增加了。
3. 临时张量未释放：

在函数中，PyTorch 可能会生成一些 临时张量，这些临时张量通常在 PyTorch 后台管理，直到函数执行完毕后才会释放。因此：

  • 不在函数中时，这些张量更早地被回收。
  • 在函数中时，临时张量的显存延迟释放，导致显存增加。
5 函数中内存管理
python 复制代码 
def fa( x):
    print(f"Initial Memory: {torch.cuda.memory_allocated() / 1024**2:.2f} MB")
    prev_memory = torch.cuda.memory_allocated() 
    x + 1
    current_memory = torch.cuda.memory_allocated()
    memory_change = (current_memory - prev_memory) / 1024**2
    print(f"After matmul: {current_memory / 1024**2:.2f} MB, Change: {memory_change:.2f} MB")
    prev_memory = current_memory
    # 执行矩阵乘法
    attn = (q @ k) * 0.125  # 假设 self.scale = 0.125
    current_memory = torch.cuda.memory_allocated()
    memory_change = (current_memory - prev_memory) / 1024**2
    print(f"After matmul: {current_memory / 1024**2:.2f} MB, Change: {memory_change:.2f} MB")
    prev_memory = current_memory  # 更新 prev_memory
    if True:
        # 执行最终的矩阵乘法和重新整形
        x = (attn @ v).transpose(1, 2).reshape(B, L, C)
        current_memory = torch.cuda.memory_allocated()
        memory_change = (current_memory - prev_memory) / 1024**2
        print(f"After final matmul and reshape: {current_memory / 1024**2:.2f} MB, Change: {memory_change:.2f} MB")
fa(x)
current_memory = torch.cuda.memory_allocated()
print(f"final : {current_memory / 1024**2:.2f} MB")

结果

bash 复制代码 
Initial Memory: 16.00 MB
After matmul: 16.00 MB, Change: 0.00 MB
After matmul: 18.00 MB, Change: 2.00 MB
After final matmul and reshape: 22.00 MB, Change: 4.00 MB
final : 16.00 MB
python 复制代码 
def fa( x):
    print(f"Initial Memory: {torch.cuda.memory_allocated() / 1024**2:.2f} MB")
    prev_memory = torch.cuda.memory_allocated() 
    x = x + 1
    current_memory = torch.cuda.memory_allocated()
    memory_change = (current_memory - prev_memory) / 1024**2
    print(f"After matmul: {current_memory / 1024**2:.2f} MB, Change: {memory_change:.2f} MB")
    prev_memory = current_memory
    # 执行矩阵乘法
    attn = (q @ k) * 0.125  # 假设 self.scale = 0.125
    current_memory = torch.cuda.memory_allocated()
    memory_change = (current_memory - prev_memory) / 1024**2
    print(f"After matmul: {current_memory / 1024**2:.2f} MB, Change: {memory_change:.2f} MB")
    prev_memory = current_memory  # 更新 prev_memory
    if True:
        # 执行最终的矩阵乘法和重新整形
        x = (attn @ v).transpose(1, 2).reshape(B, L, C)
        current_memory = torch.cuda.memory_allocated()
        memory_change = (current_memory - prev_memory) / 1024**2
        print(f"After final matmul and reshape: {current_memory / 1024**2:.2f} MB, Change: {memory_change:.2f} MB")
fa(x)
current_memory = torch.cuda.memory_allocated()
print(f"final : {current_memory / 1024**2:.2f} MB")
bash 复制代码 
Initial Memory: 16.00 MB
After matmul: 20.00 MB, Change: 4.00 MB
After matmul: 22.00 MB, Change: 2.00 MB
After final matmul and reshape: 22.00 MB, Change: 0.00 MB
final : 16.00 MB
1. 操作与赋值的差异：

首先，理解 x = x + 1 和 x + 1 在 PyTorch 中的区别很重要。
x + 1：不会增加显存

  • x + 1 是一个普通的张量运算，它会 创建一个新的张量 作为结果，但不会修改原张量 x。
  • 然而，PyTorch 在执行这种操作时，通常会 复用已有的显存。它会将中间计算结果存放在新的内存位置，并且使用现有的显存池优化内存分配。
  • 在这种情况下，如果没有显式的赋值给 x，就不会创建额外的内存开销。
    -x = x + 1：会增加显存
    x = x + 1：会增加显存
  • x = x + 1 这一操作实际上会执行 "计算+赋值" 。这一过程中：
    1. 中间结果 （即 x + 1 计算出的新张量）会被存储到 新内存位置。
    2. 原来存储 x 的显存会被新值 覆盖 ，但是由于这是一个"计算+赋值"操作，PyTorch 为了避免覆盖数据，通常会先分配新的内存空间来存储计算结果。
    3. 这意味着，新张量 和原始张量会在一段时间内 共享显存 ，直到 Python 的垃圾回收机制清理旧张量的内存。
      在函数调用期间，新的张量（x + 1）会占用新的显存，而原来的 x 张量的内存要等到函数结束或者垃圾回收时才能释放。因此，暂时增加了显存占用。
相关推荐
进击的明明5 小时前
当AI开始“边想边干”：深入聊聊ReAct，以及如何用Python手搓一个简单Agent
python·面试·agent
全栈弄潮儿5 小时前
Python实战第8期：函数
后端·python·编程语言
卷无止境7 小时前
暗流与破局：AI时代的代码安全审查工具全景指南
后端·python
卷无止境10 小时前
一人公司的全栈选型指南：让 AI Agent 写得快，也让生意跑得稳
后端·python
结局无敌11 小时前
React Native for OpenHarmony 实战：三方库 react-native-modal-dialog 的鸿蒙化适配指南
深度学习·算法·react native·react.js·harmonyos
在所不辞兄11 小时前
为什么神经网络对对抗扰动和分布偏移往往比较脆弱，而人类感知相对更鲁棒？
人工智能·深度学习·神经网络·机器学习
滴啦嘟啦哒11 小时前
【具身笔记】【π0.5 微调与仿真】五、在MuJoCo中实现可视化仿真
笔记·python·vla·具身
全栈练习生12 小时前
AI安全与红队测试
python·ai
费曼学习法12 小时前
把「发送成功」当「送达」？我排查 IM 长消息被静默吞掉的完整过程
python·ai编程·自动化运维
鸽鸽程序猿12 小时前
【项目】【在线判题系统】b端题目增删改
开发语言·python
热门推荐
01国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）02「全语录+省流版」邵艾伦 × 孙宇晨：聊风口、聊个人IP、聊年轻人如何抓住 AI 时代的机会03如何新建文件夹？ 电脑新建文件夹的4种方法04GitHub 镜像站点05历年考研数学一、数学二、数学三真题试卷及答案PDF06几个好用的ip纯净度检测网站07苹果iPA游戏软件资源下载网站08Windows 10/11 如何退出微软账户并改用本地账户登录（含找不到选项的解决方法）09蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接10Telegram APK 下载安装完整指南 — 2026年最新