如何预估训练或推理大模型时所需要的显存?解析不同参数下大模型显存量化方法
本篇讲述如何根据模型参数量,参数设置以及batch size推理所需要的GPU显存。
假设现在想要全参数训练一个llama-6B的模型,那么如何预估自己需要准备多大显存的卡?
当fp32、fp16、int8模式下时显存大小具体又有什么变化呢?本篇来解答这个问题。
下面是一个快捷目录。
1. 大模型RAM构成
2. 一个大模型显存计算示例
一、大模型RAM构成
大模型所需要的考虑的显存包括三个部分:模型本身,CUDA kernel,batch大小
1.模型本身
模型本身需要的 RAM 大致分三个部分:模型参数、梯度、优化器参数
- 模型参数
等于参数量 * 每个参数所需内存。
那么我们首先考虑精度对所需内存的影响:
fp32 精度,一个参数需要 32 bits, 4 bytes;
fp16 精度,一个参数需要 16 bits, 2 bytes;
int8 精度,一个参数需要 8 bits, 1 byte。
- 梯度
同模型参数,等于参数量 * 每个梯度参数所需内存
- 优化器参数
不同的优化器所储存的参数量不同。
对于常用的 AdamW 来说,需要储存两倍的模型参数(用来储存一阶和二阶momentum)。
2. CUDA kernel
CUDA kernel 也会占据一些 RAM,大概 1.3GB 左右,查看方式如下
torch.ones((1,1)).to("cuda")` `print_gpu_utilization()` ` `` ``>>> GPU memory occupied: 1343 MB
3. batch
首先需要计算batch中每个instance的中间变量内存。
等于用中间计算参数量 *每个参数所需内存 * batch size。
二、一个大模型显存计算示例
那么接下来大家可以试着解答这个问题,batch size 为50,int8精度下的Llama-6B所占显存为多少?
1. 模型本身
模型参数:对于 int8,LLaMA-6B 需要 6B *1 byte = 6GB
梯度:同上,6GB
优化器参数:int8 的 LLaMA-6B,AdamW 需要 6B* 1 bytes * 2= 12 GB
CUDA kernel : 1.3GB
int 8精度下 Llama-6B: 6GB+6GB+12GB+1.3GB = 25.3GB
2. batch
LLaMA的架构:
hidden_size = 4096, intermediate_size =11008, num_hidden_layers = 32, context_length = 2048
每个实例:
(4096 +11008) * 2048 *32 * 1byte = 990MB
那么batch size为50
990MB * 50 = 48.3GB
那么最终batch size 为50,int8精度下的Llama-6B所占显存为
25.3GB + 48.3GB = 73.6GB
刚好一张 A100(80GB RAM),在batch size 为50,int8精度的设定下可以进行Llama-6B全参数微调。
那么其他的情况大家也都可以根据实际精度,模型大小、中间变量计算以及batch来类推了。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
更多推荐
所有评论(0)