> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-docs-hivemind-launch.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# Comment puis-je corriger `Cuda out of memory` lors d’un sweep ?

Si vous voyez `Cuda out of memory` lors d’un sweep, refactorisez votre code pour utiliser une exécution par processus. Réécrivez votre code sous forme de script Python et lancez l’agent de sweep depuis la CLI au lieu du SDK Python.

1. Ajoutez votre logique d'entraînement à un script Python (par exemple, `train.py`) :

   ```python theme={null}
   if __name__ == "__main__":
       train()
   ```

2. Indiquez le script dans votre configuration YAML de sweep :

   ```yaml theme={null}
   program: train.py
   method: bayes
   metric:
     name: validation_loss
     goal: maximize
   parameters:
     learning_rate:
       min: 0.0001
       max: 0.1
     optimizer:
       values: ["adam", "sgd"]
   ```

3. Initialisez le sweep avec la CLI :

   ```shell theme={null}
   wandb sweep config.yaml
   ```

4. Démarrez l'agent de sweep avec la CLI, en remplaçant `sweep_ID` par l'ID renvoyé à l'étape précédente :

   ```shell theme={null}
   wandb agent sweep_ID
   ```

L'utilisation de l'agent via la CLI (`wandb agent`) au lieu du SDK Python (`wandb.agent`) garantit que chaque run s’exécute dans un processus distinct avec sa propre allocation mémoire, ce qui évite l’accumulation de mémoire CUDA entre les runs.

Pour plus d'informations, voir [dépannage de Sweeps](/fr/models/sweeps/troubleshoot-sweeps/).

***

<Badge stroke shape="pill" color="orange" size="md">[Sweeps](/fr/support/models/tags/sweeps)</Badge><Badge stroke shape="pill" color="orange" size="md">[Plantages de runs](/fr/support/models/tags/run-crashes)</Badge>