GAT网络为什么占用那么多的显存

本blog主要聚焦以下几点：

• GAT为什么占用那么多的显存，尤其是在节点多的时候
• Transformer为什么就可以处理很长的输入，GAT就不行？

⚠⚠：并非图相关的方向，仅是打工时用到了，简单了解了一下。

1：GAT的注意力机制

GAT占用显存多的原因一句话概括就是：注意力机制

首先来看GAT的注意力机制是什么样的：

图片先随便放一张，之后再改：来源（https://zhuanlan.zhihu.com/p/137592078）

也就是，每一个节点可以用一个向量$h_i$表示，那么在计算attention score的时候，就是$W{h}_i$向量与$W{h}_j$向量拼接之后（$W$是去可学习的权重），再乘一个可学习权重$a$。，之后再求softmax，并且使用了mask，让每个节点只使用和他直接相连的节点进行计算。

其实很容易理解，就是先把每一个节点的向量过一个mlp，之后使用每个节点得到的新向量，计算每两个节点之间的加权求和。这就是主要的费显存的地方。为什么呢？请看这部分的代码是如何实现的：

GAT的代码我直接在网上找的一个，改成了batch版本，代码来源：https://zhuanlan.zhihu.com/p/128072201

    def forward(self, inp, adj):
        """
        inp: input_fea [B, N, in_features]  in_features表示节点的输入特征向量元素个数
        adj: 图的邻接矩阵 维度[B, N, N] 非零即一，数据结构基本知识
        """

        h = torch.matmul(inp, self.W)  # [B, N, out_features]
        # print(h.size())
        print('1: ', torch.cuda.memory_allocated())
        N = h.size()[1]  # N 图的节点数
        # 最占显存的就是这下面一行
        # 单独一个a_input就会占用276.39兆的显存，而实际上这一个计算之后立马就会新增0.81G的显存占用
        a_input = torch.cat([h.repeat(1, 1, N).view(-1, N * N, self.out_features),
                             h.repeat(1, N, 1)], dim=1).view(-1, N, N, 2 * self.out_features)
        print('2: ', torch.cuda.memory_allocated())
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

其中，在计算$a_{i}nput$的时候计算的就是$(W{h}_i,W{h}_j)$，为了便于快速计算出$N$个节点中两两之间的attention score，要么就两层循环嵌套，一共循环$N^2$次，要么直接将矩阵$W{h}_i$和$W{h}_j$在不同的维度上重复$N$次，然后拼接。repeat的效果大概是下面这样：

同一个颜色代表同一个向量，左边是把每一个重复$N$次，右边是把整体重复$N$次。拼接起来之后，刚刚好每一行就是一个向量$h_i$和另一个向量$h_j$，之后在乘一个矩阵$a$，直接就计算出了两个向量之间的加权求和值。

而恰恰就是这个向量导致整体的显存占用暴涨。我的场景是有一个500+节点的图，每一个图的特征是6，我设置的$out\_features$数目是128。所以我上面repeat之前的矩阵大小是$[B,500,128]$，重复之后变成了$[B,500,500,256]$，此时我把B设为4。那么一共有$4\ast 500\ast 500\ast 256=256000000$个数字，而一个单精度的foat32的数占用四个字节，因此该tensor占用$256000000/256/1024/1024=0.95GB$，而我们还会设置多头注意力，不过没经过一个头，算完之后，这个显存会被回收，所以八个头其实占用和一个头差不太多。

到这里虽然占用比较多，但是还在可接受的范围之内，因为我们的显卡经常都是32G的显或者40G的显存。

但是，当把八个头的输出叠加到一起之后，是一个$[B,N,out\_features\ast 8]$大小的矩阵，此时再加一个输出的GAT头，因为我还有1600个类别，所以输出头的$out\_features$就是1600。此时再继续按照上面的方法来算的话，就会发现，完蛋了。

我们的显存占用将会是$[B,N,N,3200]$，占用显存直接变为$4\ast 500\ast 500\ast 3200/256/1024/1024=11.9GB$，直接就变得非常大了，而这只是理想情况下，实际上，pytorch会分配更多的显存。 因此，bs必须非常小才能勉强维持不爆显存。

2：为什么transformer就可以有很长的输入

这个也很简单，因为transformer使用的注意力机制是Scaled Dot-Product Attention。

它不需要对tensor进行重复操作，只需要直接dot-product就行了。