如何理解pytorch的显存机制torch.cuda.empty_cache()

如何理解pytorch的显存机制torch.cuda.empty_cache()，针对这个问题，这篇文章详细介绍了相对应的分析和解答，希望可以帮助更多想解决这个问题的小伙伴找到更简单易行的方法。

Pytorch已经可以自动回收我们不用的显存，类似于python的引用机制，当某一内存内的数据不再有任何变量引用时，这部分的内存便会被释放。但有一点需要注意，当我们有一部分显存不再使用的时候，这部分释放的显存通过Nvidia-smi命令是看不到的，举个例子：

device = torch.device('cuda:0')# 定义两个tensordummy_tensor_4 = torch.randn(120, 3, 512, 512).float().to(device)  # 120*3*512*512*4/1000/1000 = 377.48Mdummy_tensor_5 = torch.randn(80, 3, 512, 512).float().to(device)  # 80*3*512*512*4/1000/1000 = 251.64M# 然后释放dummy_tensor_4 = dummy_tensor_4.cpu()dummy_tensor_2 = dummy_tensor_2.cpu()# 这里虽然将上面的显存释放了，但是我们通过Nvidia-smi命令看到显存依然在占用torch.cuda.empty_cache()# 只有执行完上面这句，显存才会在Nvidia-smi中释放

Pytorch的开发者也对此进行说明了，这部分释放后的显存可以用，只不过不在Nvidia-smi中显示罢了。

关于如何理解pytorch的显存机制torch.cuda.empty_cache()问题的解答就分享到这里了，希望以上内容可以对大家有一定的帮助，如果你还有很多疑惑没有解开，可以关注行业资讯频道了解更多相关知识。