写在前面
在使用GPU进行深度学习训练经常会遇到下面几个问题，这里做一个解决方法的汇总。

🐕Q1🐕：在一个多卡服务器上，指定了cuda:1，但是0号显卡显存还是会被占用一定量的显存。

这个问题很经典的出现场景就是0号卡已经几乎要被占满了，但是1号卡空的很。本想指定在1号卡上跑DL，结果因为一直会占用0号卡一定量的显存，但0号卡此时已经不够显存了，就会反复报：CUDA OUT OF MEMORY.

A1：这个问题是因为模型的部分初始化操作会默认在0号卡上进行，后续的cuda:1没法将这个初试化操作放到1号卡上，所以就占用了部分0号卡的情况。解决的方法可以直接在代码运行的时候指定模型的可见显卡环境。比如现在有一台双卡服务器，现在要将代码指定在1号卡进行，可通过下面代码运行：

CUDA_VISIBLE_DEVICES=1 python3 train.py

其中CUDA_VISIBLE_DEVICES=1的作用是将你的1号显卡暴露给这个代码，这个代码在运行过程中只看到了这张卡，这时候你代码中可以通过调用cuda:0就能够实现只占用这张卡的内存了。另外CUDA_VISIBLE_DEVICES这里指定的顺序也有讲究，如果是如下这样指定：

CUDA_VISIBLE_DEVICES=0,1 python3 train.py

那代码中如果是调用cuda:0的话对应调用的就是0号卡，但如果是按照下面这样指定的话：

CUDA_VISIBLE_DEVICES=1,0 python3 train.py

调用cuda:0的话对应调用的就是1号卡。

🐕Q2🐕：在一个多卡服务器上，想要同时利用多张卡同时训练。

这个一般就是用于模型需要较多显存，但是单卡的显存不够的情况了。

A2：使用如下代码即可：

    if torch.cuda.device_count() > 1:model = nn.DataParallel(model)

注意，在模型分布到多卡上之后，输入数据直接按照下面方式存入显存即可：

input = input.cuda()

数据会进行自适应分流到各个显卡上的。

To be continued…