1. 问题介绍

本文主要针对生成场景下，如何方便快捷地清除当前进程占用的显存。文章的重点不止是对显存的管理，还包括怎样灵活的使用自定义组件来控制生成过程。

在之前的文章torch显存分析——如何在不关闭进程的情况下释放显存中，通过一个实验，分析了torch的显存占用情况，以及如何在不关闭进程的前提下，利用代码将显存释放掉。然而，在近期的实验中，却发现之前所介绍的显存释放方法对生成模型并不好用。

在前文中，所使用的方法是：

real_inputs = inputs['input_ids'][..., : 2, ...].to(model.device)
with torch.no_grad():logits = model(real_inputs, tail)
del real_inputs
del logits
torch.cuda.empty_cache()

然而，如果对生成模型，直接将model的forward替换成generate的话，即如下的替换方法，则会遇到问题。

with torch.no_grad():logits = model.generate(real_inputs)
del real_inputs
del logits
torch.cuda.empty_cache()

因为生成过程中，会有新的token生成，model.generate很可能不止一次在调用forward，所以这种方法就不灵了。

2. 应对方法

既然是模拟一边模型的forward方法，那就想办法让forward方法只被调用一次。或许直接还是使用model.forward就可以解决这个问题。但是这里我采用了另一种方法——使用Stopping Criteria。

既然只希望它生成执行一次，那就可以直接使用一个默认的criteria：

from transformers.generation.stopping_criteria import MaxNewTokensCriteria, StoppingCriteriaListempty_cache_helper = StoppingCriteriaList()
empty_cache_helper.append(MaxNewTokensCriteria(start_length=0, max_new_tokens=1))

这个东西的作用就是，最多只生成一个新的token，然后立即停止生成。

那么在清除显存时，只需要将它加上就好了：

with torch.no_grad():logits = model.generate(real_inputs, stopping_criteria=self.empty_cache_helper)
del real_inputs
del logits
torch.cuda.empty_cache()

如果不了解stopping criteria的话，可以去回顾之前的两篇文章：

以beam search为例，详解transformers中generate方法（上）
以beam search为例，详解transformers中generate方法（下）

今后的博客中，可能会结合一些例子，对自定义的logits processor和stopping criteria的使用进行介绍，感兴趣的同学可以关注一下。