TensorFlowのチュートリアルでGPUメモリエラー

Question

###TensorFlowのチュートリアルでGPUメモリエラー
現在、TensorFlowのDeep MNIST for Experts(https://www.tensorflow.org/get_started/mnist/pros)をみながら畳み込みニューラルネットワークの実装を行っています。コードを書くことまではできたのですが、実行すると「GPUに2.59GiBを割り当てようとしたが、足りなかった（意訳）」とエラーが出てきました。

使用しているGPUはGTX1080でメモリは8GiBあるはずですし、TensorFlowの出力にも6.61GiBの空きと出ています。しかし、何度行ってもエラーが消えません。

###発生している問題・エラーメッセージ

C:\DL\TensorFlow\tutorial>python mnist-pro.py
Extracting MNIST_data\train-images-idx3-ubyte.gz
Extracting MNIST_data\train-labels-idx1-ubyte.gz
Extracting MNIST_data\t10k-images-idx3-ubyte.gz
Extracting MNIST_data\t10k-labels-idx1-ubyte.gz
2017-11-10 18:02:34.970054: I C:\tf_jenkins\home\workspace\rel-win\M\windows-gpu\PY\35\tensorflow\core\platform\cpu_feature_guard.cc:137] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX AVX2
2017-11-10 18:02:35.255329: I C:\tf_jenkins\home\workspace\rel-win\M\windows-gpu\PY\35\tensorflow\core\common_runtime\gpu\gpu_device.cc:1030] Found device 0 with properties:
name: GeForce GTX 1080 major: 6 minor: 1 memoryClockRate(GHz): 1.7335
pciBusID: 0000:01:00.0
totalMemory: 8.00GiB freeMemory: 6.61GiB
2017-11-10 18:02:35.255434: I C:\tf_jenkins\home\workspace\rel-win\M\windows-gpu\PY\35\tensorflow\core\common_runtime\gpu\gpu_device.cc:1120] Creating TensorFlow device (/device:GPU:0) -> (device: 0, name: GeForce GTX 1080, pci bus id: 0000:01:00.0, compute capability: 6.1)
2017-11-10 18:02:35.837899: I C:\tf_jenkins\home\workspace\rel-win\M\windows-gpu\PY\35\tensorflow\core\common_runtime\gpu\gpu_device.cc:1120] Creating TensorFlow device (/device:GPU:0) -> (device: 0, name: GeForce GTX 1080, pci bus id: 0000:01:00.0, compute capability: 6.1)
step 0, training accuracy 0.06
～中略～
step 9900, training accuracy 1
2017-11-10 18:03:27.986211: W C:\tf_jenkins\home\workspace\rel-win\M\windows-gpu\PY\35\tensorflow\core\common_runtime\bfc_allocator.cc:217] Allocator (GPU_0_bfc) ran out of memory trying to allocate 2.59GiB. The caller indicates that this is not a failure, but may mean that there could be performance gains if more memory is available.
test accuracy 0.9911

###該当のソースコード

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

import tensorflow as tf
sess = tf.InteractiveSession()

x = tf.placeholder(tf.float32, shape=[None, 784])
y_ = tf.placeholder(tf.float32, shape=[None, 10])
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
sess.run(tf.global_variables_initializer())

def weight_variable(shape):
  initial = tf.truncated_normal(shape, stddev=0.1)
  return tf.Variable(initial)

def bias_variable(shape):
  initial = tf.constant(0.1, shape=shape)
  return tf.Variable(initial)

def conv2d(x, W):
  return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

def max_pool_2x2(x):
  return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')

W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])

x_image = tf.reshape(x, [-1, 28, 28, 1])

h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)

W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])

h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)

W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])

h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)

keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])

y_conv = tf.matmul(h_fc1_drop, W_fc2) + b_fc2

cross_entropy = tf.reduce_mean(
    tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y_conv))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

with tf.Session() as sess:
  sess.run(tf.global_variables_initializer())
  for i in range(10000):
    batch = mnist.train.next_batch(50)
    if i % 100 == 0:
      train_accuracy = accuracy.eval(feed_dict={
          x: batch[0], y_: batch[1], keep_prob: 1.0})
      print('step %d, training accuracy %g' % (i, train_accuracy))
    train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})

  print('test accuracy %g' % accuracy.eval(feed_dict={
      x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))

###試したこと
上限をあえて設定しなおすことを行いました。

config = tf.ConfigProto(
    gpu_options=tf.GPUOptions(
        # per_process_gpu_memory_fraction=0.9 # 最大値の50%まで
        allow_growth=True
    )
)
sess = sess = tf.Session(config=config)

しかし、問題は解決できませんでした。

###補足情報(言語/FW/ツール等のバージョンなど)
開発環境

• OS:windows10
• CPU:Intel(R) Core(TM) i7-6700K
• GPU:GTX1080
• メモリ:32.0 GB
• ディスク:SSD 256 GB

使用ツール

• Tensorflow 1.4
• Anacoda 5.01
• Pyhon 3.5.4

不足情報などがありましたら追加していきます。
よろしくお願いします。

Answer 1

OS:windows10

CPU:Intel(R) Core(TM) i7-6700K
GPU:GTX1080
メモリ:32.0 GB
ディスク:SSD 256 GB

まるでワークステーションですねo.0

---

さて本題です。
CUDAを使ったことがないので、これまで見てきた記事の内容と、ログを見て思ったことを書きます。

*ログ
1) フリーメモリ

totalMemory: 8.00GiB freeMemory: 6.61GiB

このメッセージが出たのはたぶんスクリプトを動かしてすぐ（TFが本格的に動く前）だと思います。なので、TFが本格的に動く前に6.6GBくらいメモリが開いているよ、ということですね。

2)アロケーター

Allocator (GPU_0_bfc) ran out of memory trying to allocate 2.59GiB. The caller indicates that this is not a failure, but may mean that there could be performance gains if more memory is available.

内容は、アロケータは2.59GBをアロケートしようとしましたが、メモリの外にはみ出てしまいました。これは破綻したのではなく、ただだいたいこういう場合はもっとメモリがたくさんあればパフォーマンスが得られるかもよ？ということですね。

たぶんですが、走らせているうちにTFがかさばって確保していた6.6GBではたりなくなったとかそういう話だと思われます。

*** 実際どうするか**
Stackoverflowのrdadorfさんがまとめていますが、

・正攻法はバッチサイズを小さく(smaller batches)してたくさん回す
・タスクを分割する（相当大変みたいです）　こちらについては、rdadorfさんは

each of these are going to behave differently in terms of performance. This is why TF doesn't auto-partition your graph. It's actually not a straightforward problem in the general case.

（分割の仕方によって）それぞれパフォーマンスが変わってきます。この点が、TFが自動的に計算グラフを分割しない理由です。一般的に言って、スパッと割り切れるような簡単な問題じゃないのです。

---

だそうですので、バッチサイズをさらに小さくするのをおススメします。
（タスク分割は考えたことすらない私の手には負えません）

たしか、sess.うんたらの挟む場所でループするたびにTFが重くなるよなことがありましたので、もしメモリが無限に増え続けるようならその辺も疑ってください。
（普通、バッチで分割したとしても、ステップ毎に使用中の目盛りは一定の範囲内で上下するだけで一方的な増加はないはずです）

Comments

[Lickey]

実行中のGPU使用メモリを確認したところ、トレーニング時とテスト時で共に約800MiBを維持しており、特に増え続けている印象はなかったです。MNISTのテストデータは10,000程あるため、それがテスト時にいきなりメモリに格納されたために警告文が出てきた感じでしょうか、、、。

非常にわかりやすい説明をしていただき、ありがとうございました。

Answer 2

これはエラーではなく警告です。

Comments

[Lickey]

なるほど、警告だったのですね。
回答ありがとうございました。