GPU内存太小可能是神经网络训练过程中最大的拦路虎。

不怕，用这个OpenAI推出的gradient-checkpointing程序包，对于前馈模型来说，仅仅需要增加20%的计算时间，这个程序包，GPU就能适应十倍大的模型。

还有这种操作？

训练神经网络对内存的要求随着网络的深度和batch-size呈线性增长。在内存有限的情况下，如果想训练深层模型，并且增加batch-size，很多研究人员会采用KFAC这样的二阶方法。与小批量的SGD相比，这种方法发需要学习较少的样例。

重点来了。昨天，OpenAI的研究科学家Tim Salimans和前Google Brain工程师的数据科学家Yaroslav Bulatov两人发布了一个python/TensorFlow包，名为gradient-checkpointing。

这个程序包使用了“用亚线性的存储成本训练神经网络”的技术，为简单的前馈网络提供了等价的内存存储，同时能为一般的神经网络节省内存，比如多层架构。

将这个程序包应用到TensorFlow官方CIFAR10 ResNet示例中。在batch size=1280的情况下，将内存和执行时间情况如下图所示。

常规反向传播为线性扩展，但优化后的方法以深度的平方根方式扩展。当我们在更深层次的网络上尝试时，差异就更明显了。

用标准方法，运行这个迭代需要60GB的内存，但新方法只需6GB的RAM。

再来看看计算时间。在实验中，在GTX1080上的运行时间增加了20%，在V100 GPU上时间增加了30%。

如果想了解这个程序包是如何节约内存的，可以移步GitHub一探究竟：

https://github.com/openai/gradient-checkpointing