在算力為王的時代，你的 GPU 可以順暢的運行大模型（LLM）嗎？

對于這一問題，很多人都難以給出確切的回答，不知該如何計算 GPU 內存。因為查看 GPU 可以處理哪些 LLM 并不像查看模型大小那么容易，在推理期間（KV 緩存）模型會占用大量內存，例如，llama-2-7b 的序列長度為 1000，需要 1GB 的額外內存。不僅如此，模型在訓練期間，KV 緩存、激活和量化都會占用大量內存。

我們不禁要問，能不能提前了解上述內存的占用情況。近幾日，GitHub 上新出現了一個項目，可以幫你計算在訓練或推理 LLM 的過程中需要多少 GPU 內存，不僅如此，借助該項目，你還能知道詳細的內存分布情況、評估采用什么的量化方法、處理的最大上下文長度等問題，從而幫助用戶選擇適合自己的 GPU 配置。

項目地址：https://github.com/RahulSChand/gpu_poor

不僅如此，這個項目還是可交互的，如下所示，它能計算出運行 LLM 所需的 GPU 內存，簡單的就像填空題一樣，用戶只需輸入一些必要的參數，最后點擊一下藍色的按鈕，答案就出來了。

交互地址：https://rahulschand.github.io/gpu_poor/

最終的輸出形式是這樣子的：

{
  "Total": 4000,
  "KV Cache": 1000,
  "Model Size": 2000,
  "Activation Memory": 500,
  "Grad & Optimizer memory": 0,
  "cuda + other overhead":  500
}

至于為什么要做這個項目，作者 Rahul Shiv Chand 表示，有以下原因：

• 在 GPU 上運行 LLM 時，應該采用什么的量化方法來適應模型；
• GPU 可以處理的最大上下文長度是多少；
• 什么樣的微調方法比較適合自己？Full? LoRA? 還是 QLoRA?
• 微調期間，可以使用的最大 batch 是多少；
• 到底是哪項任務在消耗 GPU 內存，該如何調整，從而讓 LLM 適應 GPU。

那么，我們該如何使用呢？

首先是對模型名稱、ID 以及模型尺寸的處理。你可以輸入 Huggingface 上的模型 ID（例如 meta-llama/Llama-2-7b）。目前，該項目已經硬編碼并保存了 Huggingface 上下載次數最多的 top 3000 LLM 的模型配置。

如果你使用自定義模型或 Hugginface ID 不可用，這時你需要上傳 json 配置（參考項目示例）或僅輸入模型大小（例如 llama-2-7b 為 70 億）就可以了。

接著是量化，目前該項目支持 bitsandbytes (bnb) int8/int4 以及 GGML（QK_8、QK_6、QK_5、QK_4、QK_2）。后者僅用于推理，而 bnb int8/int4 可用于訓練和推理。

最后是推理和訓練，在推理過程中，使用 HuggingFace 實現或用 vLLM、GGML 方法找到用于推理的 vRAM；在訓練過程中，找到 vRAM 進行全模型微調或使用 LoRA（目前項目已經為 LoRA 配置硬編碼 r=8）、QLoRA 進行微調。

不過，項目作者表示，最終結果可能會有所不同，具體取決于用戶模型、輸入的數據、CUDA 版本以及量化工具等。實驗中，作者試著把這些因素都考慮在內，并確保最終結果在 500MB 以內。下表是作者交叉檢查了網站提供的 3b、7b 和 13b 模型占用內存與作者在 RTX 4090 和 2060 GPU 上獲得的內存比較結果。所有值均在 500MB 以內。

感興趣的讀者可以親自體驗一下，假如給定的結果不準確，項目作者表示，會對項目進行及時優化，完善項目。