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
hhzz9 小时前
基于监控视频的水位尺自动识别技术方案与实现
python·opencv·yolo·图像识别·cv
yongche_shi9 小时前
ragas官方文档中文版（五十）
开发语言·python·ai·ragas·如何评估和改进 rag 应用
weixin_4080996710 小时前
OCR批量识别图片方案：从手动处理到自动化API系统（Python/Java/PHP实战）
图像处理·python·ocr·文字识别·api调用·批量识别·石榴智能
AI行业学习11 小时前
Notepad++ 官方下载 + 完整安装 + 全套优化配置（2026最新）
开发语言·人工智能·python·前端框架·html·notepad++
Token炼金师11 小时前
幂律的预言：Kaplan 与 Chinchilla 的算力账本 —— Scaling Laws 与最优配比
人工智能·深度学习·大模型架构·kv cache·scaling laws
大圣编程12 小时前
Python中continue语句的用法是什么？
开发语言·前端·python
云烟成雨TD12 小时前
LangFlow 1.x 系列【5】可视化编辑页面功能说明
人工智能·python·agent
geovindu13 小时前
python: Functional Options Pattern
开发语言·后端·python·设计模式·惯用法模式·函数式选项模式
tryCbest14 小时前
Python 文件操作
服务器·python
涛声依旧-底层原理研究所14 小时前
Agent 长任务可靠性设计：实现暂停、恢复、续跑与崩溃重启的完整方案
人工智能·python·系统架构
热门推荐
01GitHub 镜像站点022026 年 AI 编程工具终极横评：Cursor vs Claude Code vs Copilot vs Windsurf03AI科技热点日报 | 2026年07月01日04【AI】2026 年具身智能模型和世界模型总结052026 AI 编程工具终极实战指南：Cursor vs Claude Code vs Copilot，开发者该怎么选？062026 年 AI 大模型 & AI 编程工具实战全总结072026年6月AI大模型全景报告：GPT-5.6、Claude Opus 4.8、Gemini 3.5，中美AI三足鼎立谁主沉浮？08Agnes AI 免费 API 接入指南：文本、生图、生视频，一套接口全免费092026 国产 AI 大模型横评：DeepSeek、通义千问、Kimi、文心一言、星火、豆包谁更能打？10Claude Code、Codex、Cursor三分天下：2026年AI编程Agent生态全景剖析