42-大模型（LLMs）显存问题面¶

来源 PDF：200页AI大模型面试高频必刷题（附详解）/42-大模型（LLMs）显存问题面.pdf
主题：Transformer / 基础架构
页数：8
字符数：7454
索引片段数：18

摘要¶

大模型（LLMs）显存问题面来自： AiGC面试宝典宁静致远 2023年09月16日 21:00 1. 大模型大概有多大，模型文件有多大? 一般放出来的模型文件都是fp16的，假设是一个 n B的模型，那么模型文件占 2n G，fp16加载到显存里做推理也是占 2n G，对外的pr都是 10n 亿参数的模型。 2. 能否用4 * v100 32G训练vicuna 65b？不能。（刚发现fastchat上可以通过调用train脚本训练vicuna而非train_mem，其实也是可以训练的） 3. 如果就是想

代表性原文片段¶

片段 1¶

大模型（LLMs）显存问题面来自： AiGC面试宝典宁静致远 2023年09月16日 21:00 1. 大模型大概有多大，模型文件有多大? 一般放出来的模型文件都是fp16的，假设是一个 n B的模型，那么模型文件占 2n G，fp16加载到显存里做推理也是占 2n G，对外的pr都是 10n 亿参数的模型。 2. 能否用4 * v100 32G训练vicuna 65b？不能。（刚发现fastchat上可以通过调用train脚本训练vicuna而非train_mem，其实也是可以训练的） 3. 如果就是想要试试65b模型，但是显存不多怎么办？最少大概50g显存，可以在llama-65b-int4（gptq）模型基础上LoRA[6]，当然各种库要安装定制版本的。 4. nB模型推理需要多少显存？考虑模型参数都是fp16，2nG的显存能把模型加载。 5. nB模型训练需要多少显存？基础显存：模型参数+梯度+优化器，总共16nG。 activation占用显存，和max len、batch size有关

片段 2¶

G的显存能把模型加载。 5. nB模型训练需要多少显存？基础显存：模型参数+梯度+优化器，总共16nG。 activation占用显存，和max len、batch size有关解释：优化器部分必须用fp32（似乎fp16会导致训练不稳定），所以应该是2+2+12=16，参考ZeRO论文。注以上算数不够直观，举个例子？ 7B的vicuna在fsdp下总共160G显存勉强可以训练。（按照上面计算716=112G是基础显存）所以全量训练准备显存20nG大概是最低要求，除非内存充足，显存不够offload内存补。 6. 如何估算模型所需的RAM？首先，我们需要了解如何根据参数量估计模型大致所需的 RAM，这在实践中有很重要的参考意义。我们需要通过估算设置 batch_size，设置模型精度，选择微调方法和参数分布方法等。接下来，我们用LLaMA-6B 模型为例估算其大致需要的内存。首先考虑精度对所需内存的影响：其次，考虑模型需要的 RAM 大致分三个部分： • 首先，llama 65b的权重需要5 v100 32G才能完整加载到GPU。

片段 3¶

大致需要的内存。首先考虑精度对所需内存的影响：其次，考虑模型需要的 RAM 大致分三个部分： • 首先，llama 65b的权重需要5 v100 32G才能完整加载到GPU。 • 其次，vicuna使用flash-attention加速训练，暂不支持v100，需要turing架构之后的显卡。 • 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. • 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。 • 对于 fp32，LLaMA-6B 需要 6B4 bytes = 24GB内存 • 对于 int8，LLaMA-6B 需要 6B1 byte = 6GB 查看更多

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）。除此之外，CUDA kernel 也会占据一些 RAM，大概 1.3GB 左右，查看方式如下。

片段 4¶

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）。除此之外，CUDA kernel 也会占据一些 RAM，大概 1.3GB 左右，查看方式如下。综上，int8 精度的 LLaMA-6B 模型部分大致需要 6GB+6GB+12GB+1.3GB = 25.3GB 左右。再根据LLaMA的架构（hidden_size = 4096, intermediate_size =11008, num_hidden_layers = 32, context_length = 2048）计算中间变量内存。每个 instance 需要：所以一张 A100（80GB RAM）大概可以在 int8 精度；batch_size = 50 的设定下进行全参数训练。查看消费级显卡的内存和算力： 2023 GPU Benchmark and Graphics Card Comparison Chart https://www.gpucheck.com/gpu-benchmark-graphics-card-comparison-chart 7. 如何评估你的显卡利用率

片段 5¶

Chart https://www.gpucheck.com/gpu-benchmark-graphics-card-comparison-chart 7. 如何评估你的显卡利用率 zero3如果没有nvlink，多卡训练下会变慢。但是一直不知道究竟会变得多慢，下面给出几种方法来评估自己在训练时发挥了多少gpu性能，以及具体测试方法。 7.1 flops比值法举例：deepspeed实测flops 100tflops，而用的是A100卡理论峰值312tflops，可以得到GPU利用率只有 32.05% 7.2 throughout估计法举例：实测训练时处理样本速度为 3 example/s，一共有4卡，max length 2048，则吞吐量为 1536 token/s/gpu 根据llama论文知道，他们训练7B模型的吞吐量约为 3300 token/s/gpu，那么GPU利用率只有46.54% 7.3 torch profiler分析法利用torch profiler记录各个函数的时间，将结果在tensorboard上展示，在gpu kenel视图下，可以看到tensor core 的利用率，比如30%

片段 6¶

r分析法利用torch profiler记录各个函数的时间，将结果在tensorboard上展示，在gpu kenel视图下，可以看到tensor core 的利用率，比如30% • 梯度：同上，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。 • fp32 的 LLaMA-6B，AdamW 需要 6B8 bytes = 48 GB • int8 的 LLaMA-6B，AdamW 需要 6B*2 bytes = 12 GB

torch.ones((1，1)).to("cuda") print_gpu_utilization()

GPU memory occupied: 1343 MB (4096 +11008) 2048 32 * 1byte = 990MB • 测试工具：deepspeed • 参考数据：nvidia公布的显卡fp16峰值计算速度（tensor core） gpu利用率 = 实测的flops/显卡理论上的峰值flops • 测试工具：手动估算或者 deepspeed • 参考数据：论文中的训练速度或者吞吐量

片段 7¶

tensor core） gpu利用率 = 实测的flops/显卡理论上的峰值flops • 测试工具：手动估算或者 deepspeed • 参考数据：论文中的训练速度或者吞吐量吞吐量 = example数量/秒/GPU * max_length gpu利用率 = 实际吞吐量 / 论文中的吞吐量（假设利用率100%） • 测试工具：torch profiler 及 tensorboard • 参考数据：无

总结以上三种方法，在笔者的实验中能得到差不多的利用率指标。从准确性上看，方案三 > 方案一 > 方案二从易用性上看，方案二 > 方案一 > 方案三如果不想改代码就用方案二估算自己的训练速度是不是合理的，如果想精确分析训练速度的瓶颈还是建议使用方案三。 8. 测试你的显卡利用率实现细节篇 8.1 如何查看多机训练时的网速？ iftop命令，看网速很方便。 8.2 如何查看服务器上的多卡之间的NVLINK topo？ 8.3 如何查看服务器上显卡的具体型号? 8.4 如何查看训练时的flops？（也就是每秒的计算量）理论上，如果flops比较低，说明没有发挥出显卡的性能。

片段 8¶

LINK topo？ 8.3 如何查看服务器上显卡的具体型号? 8.4 如何查看训练时的flops？（也就是每秒的计算量）理论上，如果flops比较低，说明没有发挥出显卡的性能。如果基于deepspeed训练，可以通过配置文件很方便的测试参考：https://www.deepspeed.ai/tutorials/flops-profiler/ 8.5 如何查看对deepspeed的环境配置是否正确？ 8.6 tf32格式有多长？ 19位 1. 大模型大概有多大，模型文件有多大? 一般放出来的模型文件都是fp16的，假设是一个 n B的模型，那么模型文件占 2n G，fp16加载到显存里做推理也是占 2n G，对外的pr都是 10n 亿参数的模型。 $ nvidia-smi topo -m cd /usr/local/cuda/samples/1_Utilities/deviceQuery make ./deviceQuery { "flops_profiler": { "enabled": true, "profile_step": 1, "module_depth": -1, "top_modules": 1,

片段 9¶

ops_profiler": { "enabled": true, "profile_step": 1, "module_depth": -1, "top_modules": 1, "detailed": true, "output_file": null } } $ ds_report

能否用4 * v100 32G训练vicuna 65b？不能。（刚发现fastchat上可以通过调用train脚本训练vicuna而非train_mem，其实也是可以训练的）
如果就是想要试试65b模型，但是显存不多怎么办？最少大概50g显存，可以在llama-65b-int4（gptq）模型基础上LoRA[6]，当然各种库要安装定制版本的。
nB模型推理需要多少显存？考虑模型参数都是fp16，2nG的显存能把模型加载。
nB模型训练需要多少显存？基础显存：模型参数+梯度+优化器，总共16nG。 activation占用显存，和max len、batch size有关解释：优化器部分必须用fp32（似乎fp16会导致训练不稳定），所以应该是2+2+12=16，参考

片段 10¶

nG。 activation占用显存，和max len、batch size有关解释：优化器部分必须用fp32（似乎fp16会导致训练不稳定），所以应该是2+2+12=16，参考 ZeRO论文。注以上算数不够直观，举个例子？ 7B的vicuna在fsdp下总共160G显存勉强可以训练。（按照上面计算716=112G是基础显存）所以全量训练准备显存20nG大概是最低要求，除非内存充足，显存不够offload内存补。 6. 如何估算模型所需的RAM？首先，我们需要了解如何根据参数量估计模型大致所需的 RAM，这在实践中有很重要的参考意义。我们需要通过估算设置 batch_size，设置模型精度，选择微调方法和参数分布方法等。接下来，我们用LLaMA-6B 模型为例估算其大致需要的内存。首先考虑精度对所需内存的影响：其次，考虑模型需要的 RAM 大致分三个部分： • 首先，llama 65b的权重需要5 v100 32G才能完整加载到GPU。 • 其次，vicuna使用flash-attention加速训练，暂不支持v100，需要turing架构之后的显卡。

片段 11¶

65b的权重需要5 v100 32G才能完整加载到GPU。 • 其次，vicuna使用flash-attention加速训练，暂不支持v100，需要turing架构之后的显卡。 • 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. • 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。 • 对于 fp32，LLaMA-6B 需要 6B*4 bytes = 24GB内存

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）。除此之外，CUDA kernel 也会占据一些 RAM，大概 1.3GB 左右，查看方式如下。综上，int8 精度的 LLaMA-6B 模型部分大致需要 6GB+6GB+12GB+1.3GB = 25.3GB 左右。

片段 12¶

占据一些 RAM，大概 1.3GB 左右，查看方式如下。综上，int8 精度的 LLaMA-6B 模型部分大致需要 6GB+6GB+12GB+1.3GB = 25.3GB 左右。再根据LLaMA的架构（hidden_size = 4096, intermediate_size =11008, num_hidden_layers = 32, context_length = 2048）计算中间变量内存。每个 instance 需要：所以一张 A100（80GB RAM）大概可以在 int8 精度；batch_size = 50 的设定下进行全参数训练。查看消费级显卡的内存和算力： 2023 GPU Benchmark and Graphics Card Comparison Chart https://www.gpucheck.com/gpu-benchmark-graphics-card-comparison-chart 7. 如何评估你的显卡利用率 zero3如果没有nvlink，多卡训练下会变慢。但是一直不知道究竟会变得多慢，下面给出几种方法来评估自己在训练时发挥了多少gpu性能，以及具体测试方法。

使用建议¶

这些内容来自授权公开 PDF 的文本抽取结果，网页端会基于同一份静态索引做关键词检索。
面试复习时建议先用网页 PDF 原文检索定位题目，再回到主 notes 学系统化答案。
如果片段出现排版噪声，以原 PDF 语义为准，并优先整理成自己的回答模板。