本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
多少人用PyTorch“炼丹”时都会被这个bug困扰。
一般情况下，你得找出当下占显存的没用的程序，然后kill掉。
如果不行，还需手动调整batch size到合适的大小……
有点麻烦。
现在，有人写了一个PyTorch wrapper，用一行代码就能“无痛”消除这个bug。
有多厉害？
相关项目在GitHub才发布没几天就收获了600+星。
一行代码解决内存溢出错误
软件包名叫koila，已经上传PyPI，先安装一下：
pip install koila
现在，假如你面对这样一个PyTorch项目：构建一个神经网络来对FashionMNIST数据集中的图像进行分类。
先定义input、label和model：
# A batch of MNIST image input = torch.randn(8, 28, 28) # A batch of labels label = torch.randn(0, 10, [8]) class NeuralNetwork(Module): def __init__(self): super(NeuralNetwork, self).__init__() self.flatten = Flatten() self.linear_relu_stack = Sequential( Linear(28 * 28, 512), ReLU(), Linear(512, 512), ReLU(), Linear(512, 10), ) def forward(self, x): x = self.flatten(x) logits = self.linear_relu_stack(x) return logits
然后定义loss函数、计算输出和losses。
loss_fn = CrossEntropyLoss() # Calculate losses out = nn(t) loss = loss_fn(out, label) # Backward pass nn.zero_grad() loss.backward()
好了，如何使用koila来防止内存溢出？
超级简单！
只需在第一行代码，也就是把输入用lazy张量wrap起来，并指定bacth维度——
koila就能自动帮你计算剩余的GPU内存并使用正确的batch size了。
在本例中，batch=0，则修改如下：
input = lazy(torch.randn(8, 28, 28), batch=0)
完事儿！就这样和PyTorch“炼丹”时的OOM报错说拜拜。
灵感来自TensorFlow的静态/懒惰评估
下面就来说说koila背后的工作原理。
“CUDA error: out of memory”这个报错通常发生在前向传递（forward pass）中，因为这时需要保存很多临时变量。
koila的灵感来自TensorFlow的静态/懒惰评估（static/lazy evaluation）。
它通过构建图，并仅在必要时运行访问所有相关信息，来确定模型真正需要多少资源。
而只需计算临时变量的shape就能计算各变量的内存使用情况；而知道了在前向传递中使用了多少内存，koila也就能自动选择最佳batch size了。
又是算shape又是算内存的，koila听起来就很慢？
NO。
即使是像GPT-3这种具有96层的巨大模型，其计算图中也只有几百个节点。
而Koila的算法是在线性时间内运行，任何现代计算机都能够立即处理这样的图计算；再加上大部分计算都是单个张量，所以，koila运行起来一点也不慢。
你又会问了，PyTorch Lightning的batch size搜索功能不是也可以解决这个问题吗？
是的，它也可以。
但作者表示，该功能已深度集成在自己那一套生态系统中，你必须得用它的DataLoader，从他们的模型中继承子类，才能训练自己的模型，太麻烦了。
而koila灵活又轻量，只需一行代码就能解决问题，非常“大快人心”有没有。
不过目前，koila还不适用于分布式数据的并行训练方法（DDP），未来才会支持多GPU。
以及现在只适用于常见的nn.Module类。
ps. koila作者是一位叫做RenChu Wang的小哥。
项目地址：
https://github.com/rentruewang/koila
