Amazon ec2 当缓存内存足够时，无法分配GPU内存

我正在AWS EC2深度学习AMI机器（Ubuntu 18.04.3 LTS（GNU/Linux 4.15.0-1054-AWS x86_64v））上用Python3（CUDA 10.1和Intel MKL）（Pytorch 1.3.1）从头开始训练vgg16模型，在更新模型参数时遇到以下错误

运行时错误：CUDA内存不足。尝试分配24.00 MiB（GPU 0；11.17 GiB总容量；已分配10.76 GiB；4.81 MiB空闲；119.92 MiB缓存）

更新参数的代码：

def _update_fisher_params(self, current_ds, batch_size, num_batch):
    dl = DataLoader(current_ds, batch_size, shuffle=True)
    log_liklihoods = []
    for i, (input, target) in enumerate(dl):
        if i > num_batch:
            break
        output = F.log_softmax(self.model(input.cuda().float()), dim=1)
        log_liklihoods.append(output[:, target])
    log_likelihood = torch.cat(log_liklihoods).mean()
    grad_log_liklihood = autograd.grad(log_likelihood, self.model.parameters())
    _buff_param_names = [param[0].replace('.', '__') for param in self.model.named_parameters()]
    for _buff_param_name, param in zip(_buff_param_names, grad_log_liklihood):
        self.model.register_buffer(_buff_param_name+'_estimated_fisher', param.data.clone() ** 2)

调试后：

log_likhoods.append（output[：，target]）

line在157次迭代后抛出错误

我有所需的内存，但它没有分配，我不明白为什么更新梯度会导致内存问题，因为梯度应该在每次迭代中被取消引用并自动释放。有什么想法吗

我尝试过以下解决方案，但没有成功

• 降低批量
• 使用torch.cuda.empty_cache（）释放缓存
• 减少筛选器的数量以减少内存占用

机器规格：

---

我终于解决了内存问题！我意识到在每次迭代中，我将输入数据放在一个新的张量中，Pytork生成一个新的计算图。 这使得用过的RAM永远增长。然后我使用了.detach（）函数，RAM总是保持在较低的级别

self.model(input.cuda().float()).detach().requires_grad_(True)