解决GPU显存未释放问题

前言

今早我想用多块GPU测试模型，于是就用了PyTorch里的torch.nn.parallel.DistributedDataParallel(下面简称其为Dist)来支持用多块GPU的同时使用。

在程序运行时由于程序中一些与Dist无关的代码出现了错误导致程序退出，而如果在程序退出前没有用Dist关闭生成的所有进程，就会导致程序崩溃后GPU显存未释放。笔者观察发现，由于没有用Dist关闭所有进程，导致程序结束运行后还有一部分进程在运行，所以显存未释放。

下面介绍这次我解决该问题的过程。

正文

MVE

Minimal Verifiable Examples，关于本问题的程序代码如下：

import torch.distributed as dist

# 一些代码：定义model等
some code

# 初始化并行训练
dist.init_process_group(xxxx)  # 函数参数省略
model = torch.nn.parallel.DistributedDataParallel(model, find_unused_parameters=True)

# 一些代码：训练、测试模型等
some code  # 我的程序在这个部分出错且程序直接退出，导致下面的关闭进程的代码没有运行

# 关闭所有进程
dist.destroy_process_group()

问题的出现

如下图所示，程序退出后，并没有进程在使用0号GPU，但0号GPU的显存却被占用。原因是程序退出前没有用Dist关闭所有进程，一部分进程还在运行，这些进程占用0号GPU的显存。

占用7号GPU的进程是我的另外一个进程，与本文讨论的问题无关。

定位占用GPU显存的PID

执行下面的指令

fuser -v /dev/nvidia*

该命令执行后得到下图所示的结果，可以看到是PID为285448的进程占用了0号GPU。

下面的图中忘记打了马赛克，后来用黑色遮挡了一下信息，所以USER这一列是看起来是空的。

执行下面这条命令，查看该进程的信息，可以发现该进程的PPID（其父进程的PID）是1，说明该进程不是我占用7号GPU的进程生成的，并且现在只有它在使用0号GPU。可以推断出这个进程是因为程序运行错误导致其没有被关闭，因此可以手动关闭该进程。

ps -f -p 285448

下面的图中忘记打了马赛克，后来用黑色遮挡了一下信息，所以图中的路径不是很清晰。

先后执行下面这两条命令，杀掉该进程，再查看GPU情况，可以看到0号GPU的显存已经被释放，现在的GPU显存占用情况是正常的。

kill -9 2885448
nvidia-smi

---

作者：@臭咸鱼

转载请注明出处：https://www.cnblogs.com/chouxianyu/

欢迎讨论和交流!

---