代码收藏家 （原创、不是重复文章）xxx GiB reserved in total by PyTorch的问题
RuntimeError: CUDA out of memory. Tried to allocate 72.00 MiB (GPU 0; 4.00 GiB total capacity; 1.60 GiB already allocated; 40.11 MiB free; 1.72 GiB reserved in total by PyTorch)
这个报错一开始看一定很抽象，因为内存4G，1.6G分配了，为什么只剩下40.11MB？后面的1.72G reserved in total by PyTorch又是什么意思？
两篇github文章（前一篇就够用了）
How does "reserved in total by PyTorch" work? – PyTorch Forums
解答：（以下用我自己的话总结，可能难理解，建议看最底下的贴图）
在你代码启动的那一刻，pytorch开始加载model，你的模型的复杂程度导致所需要的参数数量不一致，而这些参数所占用的内存不是用的系统内存，而是用你的GPU内存（即显存）【这里补充一句，很多人遇到比这篇文章更头疼的问题就是为什么GPU的memrory-usage都占满了，但是GPU-util却接近0%，我上面那句话可以帮助你理解这个问题，具体内容这里不讲】这里要知道的是：这些GPU的内存由两部分组成：为tensor所分配的内存+缓存。
就这样，随着model不断加载，你的GPU也内存不断被占用。我以上面报错的信息为例说明这问题：我有4G的GPU显存，此刻你的model还没被加载完，但你的GPU内存已经只剩40.11MB了，也就是说，剩下的3.96G都被占用了，注意到这3.96G==1.6G+2.36G（1.6G指为tensor所分配的内存，2.36G指缓存）。可是现在的情况是：接下来你还需要72MB内存去储存你剩余的模型参数，但是现在只剩40.11MB了那此刻就会造成内存不够用的情况了。
比较抽象的事情来了：当系统发现GPU内存不够的时候，它会在报错前做一件事情，就是把GPU中一部分缓存释放掉。注意到缓存不是随便释放的，是释放那些看起来没什么用的缓存。我们知道现在有2.36的缓存，那么它会释放掉2.24G的缓存，剩下0.12G的缓存。做完这件事后再报错（我一开始很奇怪：把缓存释放了不就有内存可以用了？为什么还会报错？后来我想了一下，可能是因为这些缓存还是有点用的，删了它们可能会对后续造成影响，有点拆东墙补西墙的感觉，所以为了保险还是报错了）
提问：现在GPU的内存还是3.96G==1.6G+2.36G吗？很明显不是，而是1.72G==1.6G+0.12G，这就是为什么说1.72 GiB reserved in total by PyTorch的原因，而这句话1.60 GiB already allocated什么意思不用多说了吧。至于这句话：40.11 MiB free人家也没说错吧。
至此，结束。以上只是我自己的理解，可能有不恰当的地方，底下的图片是当时找的资料，就是根据它来理解的，可以看底下图片的。
来源：刹不死_
