【深度学习】为什么深度学习需要大内存？

本文主要译介自Graphcore在2017年1月的这篇博客: Why is so much memory needed for deep neural networks。介绍了深度学习中内存的开销，以及降低内存需求的几种解决方案。

为便于阅读，本文修改了原文分段，并添加更详细的计算说明。

深度学习的内存消耗在哪里？

回顾：简单例子

考虑一个单层线性网络，附带一个激活函数：

h=w1x+w2

y=f(h)

代价函数：E=||y−y¯||2

在训练时，每一个迭代要记录以下数据：
- 当前模型参数w1,w2
- 前向运算各层响应：x,h,y

这样，可以在后向运算中用梯度下降更新参数：

Δw1=η⋅∂E∂w1=η⋅2(y−y¯)⋅f′(h)⋅x

Δw2=η⋅∂E∂w1=η⋅2(y−y¯)⋅f′(h)

内存消耗的三方面

输入数据

很小，不做考量。

256*256的彩色图像：256*256*3*1 byte= 192KB

模型参数

较大，和模型复杂度有关。

入门级的MNIST识别网络有6.6 million参数，使用32-bit浮点精度，占内存：6.6M * 32 bit = 25MB

50层的ResNet有26 million参数，占内存：26M * 32 bit = 99MB

当然，你可以设计精简的网络来处理很复杂的问题。

各层响应

较大，同样和模型复杂度有关。

50层的ResNet有16 million响应，占内存：16M*32bit = 64MB

响应和模型参数的数量并没有直接关系。卷积层可以有很大尺寸的响应，但只有很少的参数；激活层甚至可以没有参数。

– 这样看起来也不大啊？几百兆而已。
– 往下看。

batch的影响

为了有效利用GPU的SIMD机制，要把数据以mini-batch的形式输入网络。
如果要用32 bit的浮点数填满常见的1024 bit通路，需要32个样本同时计算。

在使用mini-batch时，模型参数依然只保存一份，但各层响应需要按mini-batch大小翻倍。

50层的ResNet，mini-batch=32，各层相应占内存：64MB*32 = 2GB

卷积计算的影响

设H×W的输入图像为X，K×K的卷积核为R，符合我们直觉的卷积是这样计算的。

对每一个输出位置，计算小块对位乘法结果之和。

Y(h,w)=∑Xsk,k(h,w)⊙R

h=1:H,w=1:W

其中，Xsk,k(h,w)表示输入图像中，以h,w为中心，尺寸为K×K的子图像。

但是，这种零碎运算很慢。

在深度学习库中，一般会采用lowering的方式，把卷积计算转换成矩阵乘法。

首先，把输入图像分别平移不同距离，得到K2个H×W的位移图像，串接成H×W×K2的矩阵X¯¯¯。
之后，把K×K的卷积核按照同样顺序拉伸成K2×1的矩阵R¯¯¯
卷积结果通过一次矩阵乘法获得：

Y=X¯¯¯⋅R¯¯¯

输入输出为多通道时，方法类似，详情参见这篇博客。

在计算此类卷积时，前层响应X需要扩大K2倍。

50层的ResNet，考虑lowering效应时，各层响应占内存7.5GB

使用低精度不能降内存

为了有效利用SIMD，如果精度降低一倍，batch大小要扩大一倍。不能降低内存消耗。

降内存的有效方法

in-place运算

不开辟新内存，直接重写原有响应。
很多激活函数都可以这样操作。
复杂一些，通过分析整个网络图，可以找出只需要用一次的响应，它可以和后续响应共享内存。例如MxNet的memory sharing机制。

综合运用这种方法，MIT在2016年的这篇论文能够把内存降低两到三倍。

计算换存储

找出那些容易计算的响应结果（例如激活函数层的输出）不与存储，在需要使用的时候临时计算。

使用这种方法，MxNet的这个例子能够把50层的ResNet网络占用的内存减小四倍。

类似地，DeepMind在2016年的这篇论文用RNN处理长度为1000的序列，内存占用降低20倍，计算量增加30%。

百度语音在2016年的这篇论文同样针对RNN，内存占用降低16倍，可以训练100层网络。

当然，还有Graphcore自家的IPU，也通过存储和计算的平衡来节约资源。

Graphcore本身是一家机器学习芯片初创公司，行文中难免夹带私货，请明辨。