在训练大规模深度学习模型时，GPU 内存往往成为关键瓶颈，尤其是面对大型语言模型（LLM）和视觉 Transformer 等现代架构时。由于大多数研究者和开发者难以获得配备海量 GPU 内存的高端计算集群，掌握高效的内存优化技术至关重要。本文将系统介绍多种优化策略，这些方法在组合应用的情况下，可将训练过程中的内存占用降低近 20 倍，而不会影响模型性能和预测精度。此外，大多数技术可以相互结合，以进一步提升内存效率。

目录

一、自动混合精度训练

二、低精度训练

三、梯度检查点

四、使用梯度累积减少批次大小

五、张量分片和分布式训练

六、高效的数据加载

七、使用原地操作

八、激活和参数卸载

九、使用更精简的优化器

十、进阶优化技术

内存分析和缓存管理

使用TorchScript进行JIT编译

自定义内核融合

使用 torch.compile() 进行动态内存分配

总结

---

一、自动混合精度训练

混合精度训练利用16位 (FP16) 和32位 (FP32) 浮点格式来保持准确性。通过以16位计算梯度，与使用完整的32位分辨率相比，该过程变得更快，并且内存使用量减少。

该过程首先将权重转换为较低精度（FP16）以加快计算速度。然后计算梯度，将其转换回更高精度（FP32）以确保数值稳定性，最后使用这些缩放后的梯度来更新原始权重。

使用 torch.cuda.amp.autocast()可轻松实现混合精度训练：

import torch
from torch.cuda.amp import autocast, GradScaler

# Assume your model and optimizer have been defined elsewhere.
model = MyModel().cuda()
optimizer = torch.optim.Adam(model.parameters(), lr=1e-3)
scaler = GradScaler()

for data, target in data_loader:
    optimizer.zero_grad()
    # Enable mixed precision
    with autocast():
        output = model(data)
        loss = loss_fn(output, target)
    
    # Scale the loss and backpropagate
    scaler.scale(loss).backward()
    scaler.step(optimizer)
    scaler.update()

---

二、低精度训练

由于16位浮点数的表示范围限制，这种方法可能导致NaN值出现。为了进一步降低精度，可采用BF16（Brain Floating Point），该格式相较FP16提供更大的动态范围，使其更适合深度学习应用。

NVIDIA Ampere及更新架构的GPU已支持BF16，用户可使用以下命令检查支持情况：

import torch
print(torch.cuda.is_bf16_supported())  # should print True

---

三、梯度检查点

即使使用混合精度和低精度，这些大型模型也会生成许多中间张量，这些张量会消耗大量内存。梯度检查点（Gradient Checkpointing）通过选择性地存储部分中间激活值，并在反向传播时重新计算其余激活值，以换取计算成本来减少内存占用。

通过策略性地选择要检查哪些层，您可以通过动态重新计算激活而不是存储它们来减少内存使用量。这种权衡对于具有深度架构的模型尤其有益，因为中间激活占内存消耗的很大一部分。如何使用它的简单代码片段如下：

import torch
from torch.utils.checkpoint import checkpoint

def checkpointed_segment(input_tensor):
    # This function represents a portion of your model
    # which will be recomputed during the backward pass.
    # You can create a custom forward pass for this segment.
    return model_segment(input_tensor)

# Instead of a conventional forward pass, wrap the segment with checkpoint.
output = checkpoint(checkpointed_segment, input_tensor)

---

四、使用梯度累积减少批次大小

简单减小批量大小虽然能显著降低内存消耗，但往往会对模型准确率产生不良影响。

梯度累积（Gradient Accumulation）通过累积多个小批量的梯度，以实现较大的“虚拟”批次大小，从而降低对GPU内存的需求。其核心原理是为较小的批量计算梯度，并在多次迭代中累积这些梯度(通常通过求和或平均)，而不是在每个批次后立即更新模型权重。

然而需要注意，这种技术的主要缺点是显著增加了训练时间。

---

五、张量分片和分布式训练

对于超大规模模型，可以使用完全分片数据并行（FSDP）技术，将模型参数、梯度和优化器状态拆分至多个GPU，以降低单 GPU 的内存压力。

FSDP不会在每个GPU上维护模型的完整副本，而是将模型的参数划分到可用设备中。执行前向或后向传递时，只有相关分片才会加载到内存中。这种分片机制大大降低了每个设备的内存需求，与上述任何一种技术相结合，在某些情况下甚至可以实现高达10倍的减少。

使用以下方式启用它：

import torch
from torch.distributed.fsdp import FullyShardedDataParallel as FSDP

# Initialize your model and ensure it is on the correct device.
model = MyLargeModel().cuda()

# Wrap the model in FSDP for sharded training across GPUs.
fsdp_model = FSDP(model)

---

六、高效的数据加载

内存优化中常被忽视的一个方面是数据加载效率。虽然大部分优化关注点集中在模型内部结构和计算过程，但低效的数据处理同样可能造成不必要的瓶颈，影响内存利用和计算速度。作为经验法则，当处理数据加载器时，应始终启用Pinned Memory和配置适当的Multiple Workers，如下所示：

from torch.utils.data import DataLoader

# Create your dataset instance and then the DataLoader with pinned memory enabled.
train_loader = DataLoader(
    dataset,
    batch_size=64,
    shuffle=True,
    num_workers=4,      # Adjust based on your CPU capabilities
    pin_memory=True     # Enables faster host-to-device transfers
)

---

七、使用原地操作

避免不必要的张量复制，可以通过原地操作减少临时内存分配。例如：

import torch

x = torch.randn(100, 100, device='cuda')
y = torch.randn(100, 100, device='cuda')

# Using in-place addition
x.add_(y)  # Here x is modified directly instead of creating a new tensor

---

八、激活和参数卸载

对于非常大的模型，即使采用了上述所有技术，由于中间激活次数过多，您仍可能会达到GPU内存的极限。

此外，可以策略性地将一些激活和/或参数卸载到主机内存（CPU）， GPU 内存保留下来仅用于关键计算。将部分激活转移到CPU以节省GPU内存，如使用DeepSpeed进行自动管理：

def offload_activation(tensor):
    # Move tensor to CPU to save GPU memory
    return tensor.cpu()

def process_batch(data):
    # Offload some activations explicitly
    intermediate = model.layer1(data)
    intermediate = offload_activation(intermediate)
    intermediate = intermediate.cuda()  # Move back when needed
    output = model.layer2(intermediate)
    return output

---

九、使用更精简的优化器

各种优化器在内存消耗方面存在显著差异。例如，广泛使用的Adam优化器为每个模型参数维护两个额外状态参数(动量和方差)，这意味着更多的内存消耗。将Adam替换为无状态优化器(如SGD)可将参数数量减少近2/3，这在处理LLM等大型模型时尤为重要。

标准SGD的缺点是收敛特性较差。为弥补这一点，可引入余弦退火学习率调度器以实现更好的收敛效果。实现示例：

# instead of this
optimizer = torch.optim.Adam(model.parameters(), lr=5e-5)

# use this
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
num_steps = NUM_EPOCHS * len(train_loader)
scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(
            optimizer, T_max=num_steps)

---

十、进阶优化技术

除上述基础技术外，以下高级策略可进一步优化GPU内存使用，充分发挥硬件潜能：

• 内存分析和缓存管理

精确测量是有效优化的前提。PyTorch提供了多种实用工具用于监控GPU内存使用情况：

import torch

# print a detailed report of current GPU memory usage and fragmentation
print(torch.cuda.memory_summary(device=None, abbreviated=False))

# free up cached memory that’s no longer needed by PyTorch
torch.cuda.empty_cache()

• 使用TorchScript进行JIT编译

PyTorch的即时编译器(JIT)可让使用TorchScript将Python 模型转换为优化的可序列化程序。通过优化内核启动并减少开销，此转换可同时提高内存和性能：

import torch

# Suppose `model` is an instance of your PyTorch network.
scripted_model = torch.jit.script(model)

# Now, you can run the scripted model just like before.
output = scripted_model(input_tensor)

• 自定义内核融合

编译的另一个主要好处是将多个操作融合（如上文所述）到单个内核中。这有助于减少内存读写并提高整体吞吐量。融合操作如下所示：

• 使用 torch.compile() 进行动态内存分配

进一步利用编译技术，JIT编译器可通过编译时优化改进动态内存分配效率。结合跟踪和计算图优化技术，这种方法可在大型模型和Transformer架构中实现更显著的内存和性能优化。

---

总结

通过合理组合以上优化策略，可以大幅降低GPU内存占用，提高训练效率，使得大规模深度学习模型能在有限资源下运行。随着硬件技术和深度学习框架的不断发展，进一步探索新方法将有助于更高效地训练AI模型。如果您有更好的技术方式，欢迎在评论区讨论！