MemoryConfig构造函数

产品支持情况

针对Atlas 推理系列产品，仅支持在线推理特性。

功能说明

MemoryConfig类的构造函数，用于配置系统内存使用方式。

函数原型

1
2
3
4
5
6

class MemoryConfig():
    def __init__(self,
                 atomic_clean_policy=0,
                 static_memory_policy=0,
                 memory_optimization_policy=None,
                 variable_use_1g_huge_page=0

参数说明

• atomic_clean_policy：输入，是否集中清理网络中所有memset算子占用的内存（含有memset属性的算子都是memset算子）。
  • 0（默认值）：集中清理。
  • 1：单独清理，对网络每一个memset算子进行单独清理。当网络中memset算子内存过大时可尝试此种清理方式，但可能会导致一定的性能损耗。
• static_memory_policy：输入，网络运行时使用的内存分配方式。
  • 0（默认值）：动态分配内存，即按照实际大小动态分配。
  • 2：静态shape支持内存动态扩展。网络运行时，可以通过此取值实现同一session中多张图之间的内存复用，即以最大图所需内存进行分配。例如，假设当前执行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，按照当前图所需内存重新分配。
  • 3：动态shape支持内存动态扩展，解决内存动态分配时的碎片问题，降低动态shape网络内存占用。
  • 4：静态shape和动态shape同时支持内存动态扩展。
  

  • 多张图并发执行时，不支持配置为“2”和“4”。
  • 为兼容历史版本配置，配置为“1”的场景下，系统会按照“2”的方式进行处理。
  • 配置为“3”和“4”的场景下，将带来内存收益，但可能导致性能损失。
• variable_use_1g_huge_page：输入，在推荐模型中，嵌入层(Embedding层)在TensorFlow中使用的是变量，当嵌入层作为索引类算子(Gather、ScatterNd等)的输入或输出地址时，若内存较大会存在大范围的离散访问，可能会出现算子性能下降问题。此时可尝试通过配置此参数，为变量和常量使用1G大页申请内存，从而提升访存性能。
  该参数取值包括：

  • 0（默认值）：使用系统默认的4K或者2M页申请内存。
  • 1：使用1G大页申请内存，如果申请失败立即打印ERROR日志，并终止业务执行。
  • 2：使用1G大页申请内存，如果申请失败会打印ERROR日志，但不终止业务执行，而是转为使用2M页申请内存，如果尝试申请成功，则业务继续执行。如果尝试申请失败，则终止业务执行。

  使用1G大页申请内存，可以有效降低页表数量，有效扩大TLB（Translation Lookaside Buffer）缓存的地址范围，从而提升离散访问的性能。TLB是昇腾AI处理器中用于高速缓存的硬件模块，用于存储最近使用的虚拟地址到物理地址的映射。

  

  此参数仅支持以下产品：

  • Atlas A3 训练系列产品/Atlas A3 推理系列产品
  • Atlas A2 训练系列产品/Atlas A2 推理系列产品

返回值

返回MemoryConfig类对象，作为NPURunConfig的参数传入。

约束说明

无

调用示例

1
2
3
4
5

from npu_bridge.npu_init import *
...
mem_config = MemoryConfig(atomic_clean_policy=0, static_memory_policy=0)
session_config=tf.ConfigProto(allow_soft_placement=True)
config = NPURunConfig(memory_config=mem_config, session_config=session_config)