现从实用角度再介绍一个简单公式和一个工具方便大家工作中使用。
1）估算公式（该公式来自于Sam Stoelinga简化[1]）| 符号 | 描述 |
|---|
| M | 用千兆字节 (GB) 表示的 GPU 内存 |
| P | 模型中的参数数量。例如，一个 7B 模型有 7 亿参数。 |
| 4B | 4 字节，即每个参数使用的字节数 |
| 32 | 4 字节中有 32 位 |
| Q | 加载模型时应使用的位数，例如 16 位、8 位或 4 位。 |
| 1.2 | 表示在 GPU 内存中加载额外内容的 20% 开销。 |
注意：该公式只是为了简化计算的估计，并未包含kvcache所需显存以及context大小的影响。下面以运行16位精度的 Llama 70B 模型所需的 GPU 内存为例套用公式：
M = (70 ∗ 4) / (32 / 16) ∗ 1.2 ≈ 168GB由此可见，模型所需的 GPU 内存相当大。单个 80GB 的 A100 GPU 不足以满足需求，需要多个A100 GPU才能跑的起来。如何进一步减少 Llama 2 70B 所需的 GPU 内存？量化(Quantization)是一种减少内存占用的方法。通过将模型参数的精度从浮点数降低到低位表示（如 8 位整数），量化显著降低了内存和计算需求，使模型在资源有限的设备上更高效地部署。然而，这需要仔细管理以保持模型的性能，因为降低精度可能会影响输出的准确性。通常认为 8 位量化能实现与 16 位精度相似的性能。而 4 位量化可能会显著影响模型的性能。让我们再举一个 4 位量化的 Llama 2 70B 的例子：M = (70 ∗ 4) / (32 / 4) ∗ 1.2 ≈ 42GB这意味着你可以使用 2 个 24GB 的 L4 GPU 来运行这个模型。2）评估工具：
![]()
在此基础上，介绍一个能够自动计算显存能载入运行多大参数量模型的程序[2]，它的输入如下:
计算过程:
将可用的 RAM 和操作系统的开销从 GB 转换为字节数。
通过将 Token 数量乘以 0.5 MB 并转换为字节数来计算上下文窗口所需的内存。
通过从总可用 RAM 中减去操作系统开销和上下文窗口内存，计算出可用的 RAM（以字节为单位）。
将量化级别从比特转换为每个参数的字节数。
通过将可用 RAM 除以每个参数的字节数来计算最大参数数量。
将结果从参数转换为以十亿为单位的参数数量进行显示。
确定上述输入后就能直接看到能够支持的最大参数量，如果计算出的最大参数量为负值，这表示上下文窗口大小对于可用的 RAM 来说太大了。在这种情况下，程序会显示一个错误信息，建议用户减少上下文窗口大小或增加可用的 RAM。
[1]https://www.substratus.ai/blog/calculating-gpu-memory-for-llm[2]https://github.com/RayFernando1337/LLM-Calc
后台回复“进群”入群讨论。
