3
私のマシンのGPUには2 GBのメモリがあります。初めて次のコードを実行すると、エラーは発生しません。しかし、コードを2回実行すると、メモリエラーが発生します。私ができる唯一のことは、短時間の対策として、torch.Tensor.float()を使ってfloat32にデータをキャストすることです。ただし、問題が引き続き発生し、プロセスの実行後に占有メモリが解放されないか、実行中にプロセスが終了します。これはマシンRAMの場合も同様です。 Torchのメモリリークを防ぐ方法やメモリを解放する方法はありますか？TorchでGPUのメモリリークの問題を処理する方法は？
require 'nn'
require 'image'
require 'cunn'
require 'paths'
collectgarbage(); collectgarbage()
if (not paths.filep("cifar10torchsmall.zip")) then
os.execute('wget -c https://s3.amazonaws.com/torch7/data/cifar10torchsmall.zip')
os.execute('unzip cifar10torchsmall.zip')
end
trainset = torch.load('cifar10-train.t7')
testset = torch.load('cifar10-test.t7')
classes = {'airplane', 'automobile', 'bird', 'cat',
'deer', 'dog', 'frog', 'horse', 'ship', 'truck'}
setmetatable(trainset,
{__index = function(t, i)
return {t.data[i], t.label[i]}
end}
);
trainset.data = trainset.data:double() -- convert the data from a ByteTensor to a DoubleTensor.
function trainset:size()
return self.data:size(1)
end
mean = {} -- store the mean, to normalize the test set in the future
stdv = {} -- store the standard-deviation for the future
for i=1,3 do -- over each image channel
mean[i] = trainset.data[{ {}, {i}, {}, {} }]:mean() -- mean estimation
print('Channel ' .. i .. ', Mean: ' .. mean[i])
trainset.data[{ {}, {i}, {}, {} }]:add(-mean[i]) -- mean subtraction
stdv[i] = trainset.data[{ {}, {i}, {}, {} }]:std() -- std estimation
print('Channel ' .. i .. ', Standard Deviation: ' .. stdv[i])
trainset.data[{ {}, {i}, {}, {} }]:div(stdv[i]) -- std scaling
end
testset.data = testset.data:double() -- convert from Byte tensor to Double tensor
for i=1,3 do -- over each image channel
testset.data[{ {}, {i}, {}, {} }]:add(-mean[i]) -- mean subtraction
testset.data[{ {}, {i}, {}, {} }]:div(stdv[i]) -- std scaling
end
trainset.data = trainset.data:cuda()
testset.data = testset.data:cuda()
net = nn.Sequential()
net:add(nn.SpatialConvolution(3, 6, 5, 5)) -- 3 input image channels, 6 output channels, 5x5 convolution kernel
net:add(nn.ReLU()) -- non-linearity
net:add(nn.SpatialMaxPooling(2,2,2,2)) -- A max-pooling operation that looks at 2x2 windows and finds the max.
net:add(nn.SpatialConvolution(6, 16, 5, 5))
net:add(nn.ReLU()) -- non-linearity
net:add(nn.SpatialMaxPooling(2,2,2,2))
net:add(nn.View(16*5*5)) -- reshapes from a 3D tensor of 16x5x5 into 1D tensor of 16*5*5
net:add(nn.Linear(16*5*5, 120)) -- fully connected layer (matrix multiplication between input and weights)
net:add(nn.ReLU()) -- non-linearity
net:add(nn.Linear(120, 84))
net:add(nn.ReLU()) -- non-linearity
net:add(nn.Linear(84, 10)) -- 10 is the number of outputs of the network (in this case, 10 digits)
net:add(nn.LogSoftMax())
net = net:cuda()
criterion = nn.ClassNLLCriterion()
criterion = criterion:cuda()
pred = net:forward(trainset.data)
outputEr = criterion:forward(pred, trainset.label:cuda())
net:zeroGradParameters()
outputGrad = criterion:backward(pred, trainset.label:cuda())
collectgarbage()
inputGrad = net:backward(trainset.data, outputGrad)
サイド質問：GPUは倍精度演算の計算ではかなり遅く、ほとんどすべてのニューラルネットワークアプリケーションの64ビットパラメータ値を持つ必要は実際には存在しないがトーチをdoubleとしてネットワークパラメータを初期化するのはなぜ？浮動小数点（32ビット）パラメータベクトルを使用してモデルを初期化するにはどうすればよいですか？
私は副次的な質問に対する答えを見つけました。私は私がやっていたマシン上でCUDA 7.5 CUDA 6.5からアップグレードすることで問題を（ほぼ）解決することができ
torch.setdefaulttensortype('torch.FloatTensor')