飞桨（PaddlePaddle）为用户提供技术领先、简单易用、兼顾显存回收与复用的显存优化策略，在Transformer、BERT、DeepLab V3+上Max Batch Size性能优于对标开源框架，在YOLOv3、Mask-RCNN模型上显存性能与对标开源框架持平，有兴趣的同学可以试一下，上一组数据先睹为快。
测试条件 如下：
-
Paddle version：1.5.0
-
Tensorflow version：1.12.0， 1.14.0
-
Pytorch version：1.0.1， 1.1.0
-
GPU：Tesla V100-SXM2
-
CPU：Intel(R) Xeon(R) Gold 6148 CPU @ 2.40GHz，38核
-
Nvida driver: 418.39
-
NCCL VERSION：2.4.2
-
CUDNN VERSION：7.4.2.24，7.5.0.56
-
CUDA VERSION：9.0.176，单卡模式
1. 飞桨的显存分配策略
由于原生的CUDA系统调用 cudaMalloc 和 cudaFree 均是同步操作，非常耗时。为了加速显存分配，飞桨采用了显存预分配的策略，具体方式如下图所示：
（1）在分配requested_size大小的显存时，先定义一个显存池的大小，记为chunk_size，chunk_size由环境变量 FLAGS_fraction_of_gpu_memory_to_use 确定，表征chunk_size在全部显存的占比，默认值为0.92，即框架预先分配显卡92%的显存。
-
若requested_size <= chunk_size，则框架会预先分配chunk_size大小的显存池chunk，并从chunk中分出requested_size大小的块返回。之后每次申请显存都会从chunk中分配。
-
若requested_size > chunk_size，则框架会直接调用 cudaMalloc 分配requested_size大小的显存返回。
（2）在释放free_size大小的显存时，
-
若free_size <= chunk_size，则框架会将该显存放回预分配的chunk中，而不是直接返回给CUDA。
-
若free_size > chunk_size，则框架会直接调用 cudaFree 将显存返回给CUDA。
注：若GPU卡上有其他任务占用显存，可以适当调整chunk的占比，保证框架能预分配到合适的chunk，比如可以分配40%的显存可以这样设置：
export FLAGS_fraction_of_gpu_memory_to_use=0.4 # 预先40%的GPU显存
提醒 ：chunk占比应该尽可能大，只有在想测量网络的实际显存占用量时，可以设置该占比为0，观察nvidia-smi显示的显存占用情况。
2. 飞桨的显存优化策略
除了显存预分配，飞桨还提供了多种通用显存优化方法，使得同样网络模型及配置下的显存占用尽可能小，从而可以支持更大batch size的训练，来提升训练效率，下面介绍最重要的两种方法，分别是GC（Garbage Collection）策略和Inplace策略
2.1. GC策略: 显存垃圾及时回收
GC（Garbage Collection）的原理是在网络运行阶段及时释放无用变量的显存空间，达到节省显存的目的。GC可生效于使用Executor，ParallelExecutor做模型训练/预测时。
GC策略由三个环境变量控制：
(1) FLAGS_eager_delete_tensor_gb
GC策略的使能开关，double类型，默认值为-1。GC策略会积攒一定大小的显存垃圾后再统一释放，FLAGS_eager_delete_tensor_gb 控制的是显存垃圾的阈值，单位是GB。建议用户设置 FLAGS_eager_delete_tensor_gb=0 。
-
若 FLAGS_eager_delete_tensor_gb=0 ，则一旦有显存垃圾则马上回收，最为节省显存。
-
若 FLAGS_eager_delete_tensor_gb=1 ，则显存垃圾积攒到1G后才触发回收。
-
若 FLAGS_eager_delete_tensor_gb<0 ，则GC策略关闭。
(2) FLAGS_memory_fraction_of_eager_deletion
GC策略的调节flag，double类型，默认值为1，范围为[0,1]，仅适用于使用ParallelExecutor或CompiledProgram+with_data_parallel的场合。GC内部会根据变量占用的显存大小，对变量进行降序排列，且仅回收前 FLAGS_memory_fraction_of_eager_deletion 大的变量显存。建议用户维持默认值，即：FLAGS_memory_fraction_of_eager_deletion=1 。
-
若 FLAGS_memory_fraction_of_eager_deletion=0.6 ，则表示仅回收显存占用60%大的变量显存。
-
若 FLAGS_memory_fraction_of_eager_deletion=0 ，则表示不回收任何变量的显存，GC策略关闭。
-
若 FLAGS_memory_fraction_of_eager_deletion=1 ，则表示回收所有变量的显存。
(3) FLAGS_fast_eager_deletion_mode
快速GC策略的开关，bool类型，默认值为True，表示使用快速GC策略。快速GC策略会不等待CUDA Kernel结束直接释放显存。建议用户维持默认值，即 FLAGS_fast_eager_deletion_mode=True 。
2.2. Inplace策略: Op内部的输出复用输入
Inplace策略的原理是Op的输出复用Op输入的显存空间。例如，reshape操作的输出和输入可复用同一片显存空间。
Inplace策略可生效于使用ParallelExecutor或CompiledProgram加with_data_parallel做模型训练和预测，通过 BuildStrategy 设置。
具体方式为:
build_strategy = fluid.BuildStrategy()
build_strategy.enable_inplace = True # 开启Inplace策略compiled_program = fluid.CompiledProgram(train_program).with_data_parallel(loss_name=loss.name, build_strategy=build_strategy)
由于目前设计上的一些问题，打开inplace策略后必须保证后续要fetch的变量为var.persistable = True，这是因为当Inplace策略打开时，非persistable的变量的显存空间可能被其他变量复用，导致fetch结果出错，设置persistable的目的是防止fetch的变量被复用，保证输出结果的正确性。
即：假如你后续需要fetch的变量为loss和acc，则必须设置：
loss.persistable = True
acc.persistable = True
我们正在积极修复该问题，并在下一个release版本中进行修复，并默认打开Inplace策略。
3. 显存优化最佳实践（Best Practice）
我们推荐你的最佳显存优化策略为：
（1） 设置预分配显存池 ：
FLAGS_fraction_of_gpu_memory_to_use=0.92
（2） 开启GC策略，设置 ：
FLAGS_eager_delete_tensor_gb=0 。
FLAGS_memory_fraction_of_eager_deletion=1FLAGS_fast_eager_deletion_mode=True
（3） 开启Inplace策略，设置 ：
build_strategy.enable_inplace = True ，
fetch_list中的loss.persistable = Trueacc.persistable = True
4.优化策略效果实测
前面我们了解到，GC策略为飞桨的主要显存优化策略，Inplace是一个辅助策略，可在GC策略基础上进一步降低模型显存占用，有利于进一步提高最大batch size。一般而言，使用GC策略能满足您绝大部分模型的显存优化需求；若您仍想进一步提高batch size，建议您打开Inplace策略作为补充。
我们以Transformer模型为例了解一下优化策略的实际效果：
4.1. Transformer模型原理介绍
Transformer 是论文《Attention Is All You Need》中提出的用以完成机器翻译（machine translation, MT）等序列到序列（sequence to sequence, Seq2Seq）学习任务的一种全新网络结构。其同样使用了 Seq2Seq 任务中典型的编码器-解码器（Encoder-Decoder）的框架结构，但相较于此前广泛使用的循环神经网络（Recurrent Neural Network, RNN），其完全使用注意力（Attention）机制来实现序列到序列的建模，整体网络结构如图1所示。
△ 图 1. Transformer 网络结构图
Encoder 由若干相同的 layer 堆叠组成，每个 layer 主要由多头注意力（Multi-Head Attention）和全连接的前馈（Feed-Forward）网络这两个 sub-layer 构成。
Multi-Head Attention 在这里用于实现 Self-Attention，相比于简单的 Attention 机制，其将输入进行多路线性变换后分别计算 Attention 的结果，并将所有结果拼接后再次进行线性变换作为输出。参见图2，其中 Attention 使用的是点积（Dot-Product），并在点积后进行了 scale 的处理以避免因点积结果过大进入 softmax 的饱和区域。
Feed-Forward 网络会对序列中的每个位置进行相同的计算（Position-wise），其采用的是两次线性变换中间加以 ReLU 激活的结构。
此外，每个 sub-layer 后还施以 Residual Connection 和 Layer Normalization 来促进梯度传播和模型收敛。
△ 图 2. Multi-Head Attention
Decoder 具有和 Encoder 类似的结构，只是相比于组成 Encoder 的 layer ，在组成 Decoder 的 layer 中还多了一个 Multi-Head Attention 的 sub-layer 来实现对 Encoder 输出的 Attention，这个 Encoder-Decoder Attention 在其他 Seq2Seq 模型中也是存在的。
4.2. 显存优化策略在Transformer模型下的实测效果
按照模型建立项目，实际测试一下显存的优化效果，打开Inplace前后，显存占用和最大batch size的变化如下表所示：
可以看到，打开GC策略对于显存优化的非常重要；虽然Inplace策略在这个实例中对显存峰值没有提升，但可以显著提升最大batch size，也具有实际意义。
