内存管理

atomic_clean_policy

是否集中清理网络中所有atomic算子占用的内存，取值包括：

• 0：集中清理，默认为0。
• 1：不集中清理，对网络每一个atomic算子进行单独清零。当网络中内存超限时，可尝试此种清理方式，但可能会导致一定的性能损耗。

配置示例：

custom_op.parameter_map["atomic_clean_policy"].i = 1

训练/在线推理

external_weight

是否将网络中Const/Constant节点的权重外置，取值包括：

• False：权重不外置，保存在图中，默认为False。
• True：权重外置，将网络中所有Const/Constant节点的权重落盘至临时目录“tmp_weight”下，并将其类型转换为FileConstant；模型卸载时，自动卸载“tmp_weight”目录下的权重文件。

说明：当网络中weight占用内存较大且对模型大小有限制时，建议将此配置项设置为“True”。

custom_op.parameter_map["external_weight"].b = True

训练/在线推理

graph_memory_max_size

网络静态内存和最大动态内存，可根据网络大小指定。单位：Byte，取值范围：[0, 256*1024*1024*1024]或[0, 274877906944]。

不同型号的昇腾AI处理器，“graph_memory_max_size”和“variable_memory_max_size”支持的总和最大值不同，您可以通过npu-smi info -t memory -i id命令查询某设备下所有芯片的内存信息，回显的片上内存值即为支持设置的“graph_memory_max_size”和“variable_memory_max_size”的总和最大值。

如果不设置，“graph_memory_max_size”的默认值为：26/32*片上内存最大值。

配置示例：

custom_op.parameter_map["graph_memory_max_size"].s = tf.compat.as_bytes(str(26*1024 * 1024 * 1024))

训练/在线推理

variable_memory_max_size

变量内存，可根据网络大小指定。单位：Byte，取值范围：[0，256*1024*1024*1024]或[0, 274877906944]。

不同型号的昇腾AI处理器，“graph_memory_max_size”和“variable_memory_max_size”支持的总和最大值不同，您可以通过npu-smi info -t memory -i id命令查询某设备下所有芯片的内存信息，回显的片上内存值即为支持设置的“graph_memory_max_size”和“variable_memory_max_size”的总和最大值。

如果不设置，“variable_memory_max_size”的默认值为：5/32*片上内存最大值。

配置示例：

custom_op.parameter_map["variable_memory_max_size"].s = tf.compat.as_bytes(str(5*1024 * 1024 * 1024))

训练/在线推理

static_memory_policy

网络运行是否使用内存静态分配方式。

• 0：动态分配内存，即按照实际大小动态分配。
• 1：静态分配内存，即按照允许的最大静态内存与变量内存进行分配。
• 2：动态扩展内存，即当前图所需内存超过前一张图的内存时，直接释放前一张图的内存。

默认值是0，配置示例：

custom_op.parameter_map["static_memory_policy"].i = 0

训练/在线推理