内存泄漏

[zhuhui-in]

使用作者提供的脚本和数据训练蛋白小分子复合体模型，发现内存随着epoch逐渐增加，最后超出机器上限，请问大家有没有一样的问题，是怎么解决的

[Naplessss]

docking v1 or v2?

[zhuhui-in]

docking v1 or v2?

v1: 使用pdbbind预训练50个epoch, 内存逐渐增长到50G+

[ZhouGengmo]

请问可以提供训练脚本吗，以及修改过什么部分的代码吗

[zhuhui-in]

训练脚本如下（修改了batch size=4, --all-gather-list-size 4096000）， 数据是作者提供的pdbbind数据集, 预训练50个epoch,内存逐渐增加到50G，内存变化趋势如下图所示； 当使用更多的数据训练unimol的时候内存就是超出机器上限， 请问有什么办法可以让模型分批加载数据么

data_path="./protein_ligand_binding_pose_prediction"  # replace to your data path
save_dir="./save_pose"  # replace to your save path
n_gpu=4
MASTER_PORT=10086
finetune_mol_model="./weights/mol_checkpoint.pt"
finetune_pocket_model="./weights/pocket_checkpoint.pt"
lr=3e-4
**batch_size=4**
epoch=50
dropout=0.2
warmup=0.06
update_freq=1
dist_threshold=8.0
recycling=3

export NCCL_ASYNC_ERROR_HANDLING=1
export OMP_NUM_THREADS=1
python -m torch.distributed.launch --nproc_per_node=$n_gpu --master_port=$MASTER_PORT $(which unicore-train) $data_path --user-dir ./unimol --train-subset train --valid-subset valid \
       --num-workers 8 --ddp-backend=c10d \
       --task docking_pose --loss docking_pose --arch docking_pose  \
       --optimizer adam --adam-betas "(0.9, 0.99)" --adam-eps 1e-6 --clip-norm 1.0 \
       --lr-scheduler polynomial_decay --lr $lr --warmup-ratio $warmup --max-epoch $epoch --batch-size $batch_size \
       --mol-pooler-dropout $dropout --pocket-pooler-dropout $dropout \
       --fp16 --fp16-init-scale 4 --fp16-scale-window 256 --update-freq $update_freq --seed 1 \
       --tensorboard-logdir $save_dir/tsb \
       --log-interval 100 --log-format simple \
       --validate-interval 1 --keep-last-epochs 10 \
       --best-checkpoint-metric valid_loss  --patience 2000 **--all-gather-list-size 4096000** \
       --finetune-mol-model $finetune_mol_model \
       --finetune-pocket-model $finetune_pocket_model \
       --dist-threshold $dist_threshold --recycling $recycling \
       --save-dir $save_dir \
       --find-unused-parameters

[zhuhui-in]

请问可以提供训练脚本吗，以及修改过什么部分的代码吗

没有修改过代码

[ZhouGengmo]

我们正在复现你的实验
这里内存影响的因素可能是all-gather-list-size的大小
这个需要根据具体情况设置。如果batch size减小了，那么all gather的数据就少了，理应减少all-gather-list-size
这里相比原来扩大了一倍，可能是影响内存的主要因素

[ZhouGengmo]

训练脚本如下（修改了batch size=4, --all-gather-list-size 4096000）， 数据是作者提供的pdbbind数据集

使用这个设置复现，在4卡32G V100，内存128G的机器上，对内存监控如下，内存占用比较稳定，最大占用19.32G，看上去没有内存泄漏问题