LLM大模型所需 GPU 内存笔记

引言

在运行大型模型时，不仅需要考虑计算能力，还需要关注所用内存和 GPU 的适配情况。这不仅影响 GPU 推理大型模型的能力，还决定了在训练集群中总可用的 GPU 内存，从而影响能够训练的模型规模。

大模型推理的内存计算只需考虑模型权重即可。

大模型训练的内存计算往往会考虑包括模型权重、反向传播的梯度、优化器所用的内存、正向传播的激活状态内存。

接下来以ChatGLM-6B为例，它的参数设置为隐藏层神经元数量（hidden_size） 为 4096，层数（num_layers） 为 28，token 长度为 2048，注意力头数(attention heads） 为 32，讲解怎么计算推理内存和训练内存。

推理内存

模型权重

• 对 int8 而言，模型内存 =1 * 参数量 （字节）
• 对 fp16 和 bf16 而言，模型内存=2 * 参数量（字节）
• 对 fp32 而言，模型内存= 4 * 参数量（字节）

因为 1 GB（10243字节） ≈ 1B字节（???），也正好和1B参数量的数据量级一致，估算时就比较简单了。

例如，对于一个ChatGLM-6B而言，就是：

• 对 int8 而言，模型内存=1 * 6GB=6GB
• 对 fp16 和 bf16 而言，模型内存=2 * 6GB=12GB
• 对 fp32 而言，模型内存=4 * 6GB=24GB

推理总内存

除了用于存储模型权重的内存外，在实际的前向传播过程中还会产生一些额外的开销。根据经验，这些额外开销通常控制在总内存的20%以内（只有80%的有效利用率）

因此，推理总内存≈1.2×模型内存。

训练

模型权重

可以使用纯 fp32 或纯 fp16 训练模型:

• 纯 fp32，模型内存=4 * 参数量（字节）
• 纯 fp16，模型内存=2 * 参数量（字节）

除了常规推理中讨论的模型权重数据类型，训练阶段还涉及混合精度训练。

混合精度 ≈ 纯fp16

• 混合精度 (fp16/bf16 + fp32), 模型内存=2 * 参数量（字节）

例如，对于一个ChatGLM-6B而言，就是：

• 纯 fp32，模型内存=4 * 6GB=24GB
• 纯 fp16，模型内存=2 * 6GB=12GB
• 混合精度 (fp16/bf16 + fp32), 模型内存=2 * 6GB=12GB

优化器状态

• 对于纯 AdamW，优化器内存=12 * 参数量（字节）
• 对于像 bitsandbytes 这样的 8 位优化器，优化器内存=6 * 参数量（字节）
• 对于含动量的类 SGD 优化器，优化器内存=8 * 参数量（字节）

例如，对于一个ChatGLM-6B而言，就是：

• 对于纯 AdamW，优化器内存=12 * 6GB=72GB
• 对于像 bitsandbytes 这样的 8 位优化器，优化器内存=6 * 6GB=36GB
• 对于含动量的类 SGD 优化器，优化器内存=8 * 48GB=36GB

梯度

梯度可以存储为 fp32 或 fp16 (梯度数据类型通常与模型数据类型匹配。因此在 fp16 混合精度训练中，梯度数据类型为 fp16)

• 对于 fp32，梯度内存=4 * 参数量（字节）
• 对于 fp16，梯度内存=2 * 参数量（字节）

例如，对于一个ChatGLM-6B而言，就是：

• 对于 fp32，梯度内存=4 * 6GB=24GB
• 对于 fp16，梯度内存=2 * 6GB=12GB

激活状态

在进行LLM（大语言模型）训练时，现代GPU通常会遇到内存问题，而不是算力问题。因此，激活重计算（也称为激活检查点）变得非常流行，它是一种以计算力为代价来减少内存使用的方法。激活重计算/检查点的主要思路是重新计算某些层的激活，而不将它们存储在GPU内存中，从而降低内存使用量。具体来说，减少内存的多少取决于我们选择重新计算哪些层的激活。

https://blog.eleuther.ai/transformer-math/

接下来，假设激活数据类型为 fp16，没有使用序列并行

• 无重计算的激活内存=token 长度 * batch size * hidden layer 的神经元数量 * 层数(10+24/t+5 * a * token 长度/hidden layer 的神经元数 * t) 字节
• 选择性重计算的激活内存=token 长度 * batch size * hidden layer 的神经元数量 * 层数(10+24/t) 字节
• 全部重计算的激活内存=2 * token 长度 * batch size * hidden layer 的神经元数量 * 层数 字节

其中：

• a ：transformer 模型中注意力头 (attention heads) 的个数
• t ：张量并行度 (如果无张量并行，则为 1)

对于一个ChatGLM-6B而言，就是：

• token 长度 * batch size * hidden layer 的神经元数量 * 层数 = 2048 * 1 * 4096 * 28 ≈ 0.23GB
• 无重计算的激活内存 = 0.23GB * (10+24/1+5 * 32 * 2048/4096 * 1) = 0.23 * 114 = 26.22G
• 选择性重计算的激活内存 = 0.23GB * (10+24/1) = 7.8G
• 全部重计算的激活内存 = 2 * 0.23GB = 0.46GB

由于重计算的引入也会引起计算成本的增加，具体增加多少取决于选择了多少层进行重计算，但其上界为所有层都额外多了一次前向传播，因此，更新后的前向传播计算成本如下:

https://blog.eleuther.ai/transformer-math/

2 * token数 * 模型参数 ≤ C（前向传播）≤ 4 * token数 * 模型参数

总结

因为训练大模型时通常会采用AdamW优化器，并用混合精度训练来加速训练，所以训练一个ChatGLM-6B所需的训练总内存为：

训练总内存=模型内存+优化器内存+激活内存+梯度内存 = 12GB + 72GB + 12Gb + 7.8GB = 103GB

将以上内容总结为一个简单的类比（非常粗糙的类比）：TPUv3-8机器，对标八卡V100-16GB版本的机器；TPUv4-8机器，对标四卡A100-40GB版本的机器。

ChatGLM-6B使用了八台TPU v3-8 机器训练，共使用内存为 128 GB，和我们计算的基本一致。

---

推理总内存 ≈1.2×模型内存 = 1.2 * 12 GB = 14.4GB

推理总内存的值基本上和ChatGLM-6B官方文档一致。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​