|
正如文章标题所言，你是否也曾好奇过：加载使用一个 70B 大小的 LLM，究竟需要多大的 GPU 显存呢？读完这篇文章应该会有答案。
AI 本质上是大量的矩阵与向量运算 ，属于计算密集型运算，需要大量的内存空间来保存模型的训练参数。一般通用 CPU 运算单元都是标量，而 GPU 是一个把SIMD(单指令多数据)和SIMT(单指令多线程)运用到极致的协处理器，在体系结构上实现了运算单元的高度并行。 简单讲，就是 GPU 比 CPU 更适合用来做计算密集型任务。而 LLM 的推理、部署过程恰巧就是计算型任务。所以 GPU 比 CPU 更加适合用来运行 LLM 运算。 有一个有趣的事实，GPU的全称是Graphic Processing Unit，从名字中就能看出它最初被设计用来处理图像渲染相关的。但是命运似乎开了一个玩笑，没想到后来ML/AI也长成了矩阵的模样。GPU 就顺其自然的接管 AI/ML 甚至 LLM 运算了。
在大模型的使用过程中，有几个因素会影响 GPU Memory 的占用大小，主要包含以下几个因素： 模型自身大小 Key-Value Cache Memory Overhead
模型本身的大小在很大程度上，决定了需要使用 GPU Memory 的大小。模型越大，需使用的 GPU 内存越大。 模型的大小由 2 部分决定：模型参数量和数据精度类型 模型参数量 也就是进行模型训练的参数个数，单位是B(Billion缩写)。比如GPT-3的参数量是 175 Billion，LLaMa-2 13B的参数量就是13 BIllion。 参数数据类型 也就是模型的输入参数数据类型，有float32或float16或者float8等。例如，在 PyTorch 中，你可以通过以下方式指定数据类型： importtorch
# 设置数据类型为 float16torch.set_default_dtype(torch.float16)
# 创建一个 Transformer 模型实例model = TransformerModel()
不同的数据类型，每个参数占用的大小也不一样： 假设我们使用 float16 加载 LLaMa-2 13B 的模型，那最终加载模型的内存大小为 : 13 Billion * 2 byte = 26 GB。 KV缓存(Key-Value Cache)是 Transformer 模型在自回归解码过程中使用的一种优化技术，主要是用来提升大模型的推理速度。它通过缓存之前计算得到的键Key 和 值Value向量来减少重复计算，从而提高推理效率。大体思想其实跟动态规划DP中的以空间换时间差不多。 计算公式如下： 2*n_dtype*n_layers*n_hidden_size 参数解释： 2代表每个 KV-Cache 都需要保存 2 个byte 来分别缓存 Key 和 Value。 n_dtype 就是上文中提到的参数数据类型。这个参数确保了模型在处理数据时使用正确的数据类型，从而避免潜在的精度问题。 n_layers 表示Transformer中编码器和解码器的层数总和。每个编码器层和解码器层都包含自注意力机制和前馈神经网络，通过堆叠多个这样的层，可以增加模型的深度和表达能力。 n_hidden_size 指隐藏层的维度大小。神经网络通常包括输入层、隐藏层和输出层，而n_hidden_size就是用来定义隐藏层的维度大小。
同样还是以LLaMa-2 13B模型举例，数据类型为 float16，1 个 token 的 KV Cache 大小为： 2*2*40*5120=820KB/token LLaMa-2 13B的 n_layers是 40，n_hidden_size是 5120，所以最终结果是 820 KB。 800 KB 看起来并不是很多，但这只是仅仅一个 Token 的使用。在实际的大模型应用中里，用户的输入Input和大模型的输出Output，往往是需要使用成千上万个 Token 来推理得出的。比如使用 “Token 计算网站” 来计算 "上海今天天气怎么样?" 这句话会使用多少 Token。结果如下：可以看出总共占用了 5 个 Token。然后输出结果如下： 可以看出大模型输出上海天气结果使用了 54 个 Token。 因此 "上海今天天气怎么样?" 这句 Query，大模型LLM总共使用了 5 + 54 个 Token。每个 Token 需使用 800KB，因此这次 Query 总共需要使用 59 * 800 KB = 46MB。 注意：实际场景中，LLM有可能接收到更多 Token 的输入Input，比如处理长文本等需求。LLaMa-2 13B单个请求可设置的最大 Token 数是 4096 个。因此LLaMa-2 13B单次能处理的最大 KV-Cache 就是4096*820 KB = 3.2 GB。另外随着并发请求次数的增多，这个数字还会成倍的增长！
在 LLM 的推理过程中，还有一些碎片化的临时变量。这些临时变量也需要占用 GPU Memory。所以除了模型大小、KV-Cache 之外，还需要有一定的额外内存开销。一般可以使用模型大小 + KV-Cache最大值的 10% 来当做额外内存开销的大小。
要计算所有大模型在使用过程中需要的 GPU Memory，需要将所有上述提到的因素都考虑到。下面公式是一个完整的计算公式：TotalGPUMemory=模型大小+KVCache+MemoryOverhead 最后还是以 LLaMa-2 13B 来举例。假设有 10 个并发请求，同时请求 LLaMa-2 13B 以最大 Token数(4096) 进行模型推理。 那最终需要的 GPU Memory 计算过程如下：模型大小= 13 Billion * 2 Bytes = 26 GB Total KV cache= 800 KB * 4096 Tokens * 10 并发请求 = 32 GB Memory Overhead= 0.1 * (26 GB + 32 GB) = 5.8 GB
所以最终需要总 GPU memory为:26 GB + 32 GB + 5.8 GB = 63.8 GB。需要 2 块英伟达的 A100 芯片才可以。 下面 2 张表格分别描述了不同大小的模型，根据不同Token数以及不同并发请求数的情况下，所需要的 GPU Memory 大小。 单次并发请求： 10 次 并发请求： 可以看出随着并发请求数、Token数，以及大模型大小的增长，GPU Memory的增长是很恐怖的，这样硬件算力的成本太高。 | 
