[docs] Update TensorPoolAllocator doc and add vmem doc

docs/CPU-Memory-Optimization.md

@@ -0,0 +1,29 @@
+# CPU Memory Optimization
+
+## 功能介绍
+
+在 CPU 端，高性能 malloc 库存在大内存分配时带来的 minor pagefault 严重导致的性能问题。该功能能够降低内存的使用量以及 minor pagefault，提升运行性能。
+该功能运行时收集信息然后进行优化，所以在运行一定 step 数之后才能观测到性能提升。
+
+## 用户接口
+
+在 CPU 端，目前的 DeepRec 版本支持单机和分布式的内存优化，该优化默认开启，可以使用 `export ENABLE_MEMORY_OPTIMIZATION=0` 命令关闭该优化。
+存在两个环境变量：`START_STATISTIC_STEP` 和 `STOP_STATISTIC_STEP`，配置开始收集stats的step和结束收集开始优化的step，默认是1000到1100。可以按以下设置减少一开始的冷启动时间。
+
+```bash
+export START_STATISTIC_STEP=100
+export STOP_STATISTIC_STEP=200
+```
+
+一般最少设置开始 step 为100以去除一开始的初始化图。注意这里的 step 和训练的 step 并不一致。
+如果初始化图较多，需要相对应提高相应的 start 和 stop step。
+大致运行 `STOP_STATISTIC_STEP` 个step之后可以看到运行时间明显变短。
+
+### 使用 jemalloc
+CPU 端可以搭配 jemalloc 库使用内存优化。设置 `MALLOC` 环境变量后在 python 命令前添加` LD_PRELOAD` jemalloc 的动态库即可，比如：
+
+```bash
+export MALLOC_CONF="background_thread:true,metadata_thp:auto,dirty_decay_ms:20000,muzzy_decay_ms:20000"
+LD_PRELOAD=./libjemalloc.so.2 python ...
+```
+

docs/GPU-Memory-Optimization.md

@@ -0,0 +1,13 @@
+# GPU Memory Optimization
+
+## 功能简介
+
+在 GPU 端，TensorFlow 原生 BFCAllocator 存在显存碎片过多的问题，导致显存浪费。该功能能够减少显存碎片，获得比 BFCAllocator 更少的显存占用。该功能在开始运行的前 K 个 step 收集运行信息并使用 cudaMalloc 分配显存，所以会造成性能下降，在收集信息结束后，开启优化，这时的性能会有所提升。
+
+## 用户接口
+
+在 GPU 端，目前的 DeepRec 版本支持单机版本的显存优化，且只针对训练场景。该优化默认关闭，可以使用 `export TF_GPU_ALLOCATOR=tensorpool` 命令开启该优化。注意该优化目前的性能略差于 BFCAllocator，但显存占用比 BFCAllocator 少。比如推荐模型 DBMTL-MMOE 的性能会下降 1% 左右（从 4.72 global_step/sec 降低到 4.67 global_step/sec），但是显存会减少 23% （从 1509.12 MB 减少到 1155.12 MB）。
+存在两个环境变量：`START_STATISTIC_STEP` 和 `STOP_STATISTIC_STEP`，配置开始收集stats的step和结束收集开始优化的step，默认是10到110，可以适当调整。
+
+
+

docs/GPU-Virtual-Memory.md

@@ -0,0 +1,9 @@
+# GPU虚拟显存
+
+## 功能介绍
+
+使用 GPU 进行训练时通常会遇到显存不足的问题，该优化在显存不足时使用 cuda 的统一内存地址的 cuMemAllocManaged API 来分配显存，可以使用 CPU 内存来增加显存使用，注意这会造成性能下降。
+
+## 用户接口
+
+该优化默认开启，且只在显存不足时使用，可以使用 `export TF_GPU_VMEM=0` 关闭该优化。注意目前的 GPU Memory Optimization 与GPU虚拟显存优化不兼容，开启 GPU Memory Optimization 时会关闭GPU虚拟显存优化。

docs/index.md

@@ -50,7 +50,9 @@ Smart-Stage
 :maxdepth: 2
 :caption: Runtime优化
 
-TensorPoolAllocator
+CPU-Memory-Optimization
+GPU-Memory-Optimization
+GPU-Virtual-Memory
 ```
 
 ```{toctree}