我正在AWS EC2 Deep Learning AMI机器（Ubuntu 18.04.3 LTS（GNU/Linux 4.15.0-1054-aws x86_64v））上使用Python 3（CUDA 10.1和Intel MKL）（Pytorch 1.3.1）* 从头开始训练vgg 16模型，更新模型参数时遇到以下错误。
RuntimeError：CUDA内存不足。尝试分配24.00 MiB（GPU 0;总容量11.17 GiB;已分配10.76 GiB; 4.81 MiB可用; 119.92 MiB缓存）
更新参数的代码：

def _update_fisher_params(self, current_ds, batch_size, num_batch):
    dl = DataLoader(current_ds, batch_size, shuffle=True)
    log_liklihoods = []
    for i, (input, target) in enumerate(dl):
        if i > num_batch:
            break
        output = F.log_softmax(self.model(input.cuda().float()), dim=1)
        log_liklihoods.append(output[:, target])
    log_likelihood = torch.cat(log_liklihoods).mean()
    grad_log_liklihood = autograd.grad(log_likelihood, self.model.parameters())
    _buff_param_names = [param[0].replace('.', '__') for param in self.model.named_parameters()]
    for _buff_param_name, param in zip(_buff_param_names, grad_log_liklihood):
        self.model.register_buffer(_buff_param_name+'_estimated_fisher', param.data.clone() ** 2)

字符串
调试后：log_liklihoods.append(output[:, target])行在157次迭代后抛出错误
我有所需的内存，但它不分配，我不明白为什么更新梯度会导致内存问题，因为梯度应该在每次迭代时自动取消引用并释放。
我尝试了以下解决方案，但没有运气。

• 降低批量大小
• 使用torch.cuda.empty_cache（）释放缓存
• 减少筛选器的数量以减少内存占用
  机器规格：

x1c 0d1x的数据