所有文章 系列 生活 标签 足迹 关于

目录

目录

估算模型需要的显存

Xilyfe  收录于  系列 LLM
     约 4815 字   预计阅读 22 分钟 
系列 - LLM

到底需要多少算力才能部署一个模型，这是一个非常常见的问题。我们就从训练和推理两个场景，分析一下如何估计模型所需要的显存。

训练显存大致分为以下四部分：

  1. 模型权重：取决于存储的精度，常见的 BF16 和 FP16 占用大小为 2B
  2. 梯度：反向传播计算的梯度，和权重一样常见情况下占用 2B
  3. 优化器状态：常见的 Adam 会为每个参数都保存它的 Momentum、Variance 和 Master weights，精度为 FP32 所以总计 12B
  4. 中间激活值：简单来说就是为了计算反向传播的梯度，需要把前向计算的中间值存储起来，具体计算见下文。

因此使用 AdamW 优化器 + 混合精度训练的经验公式为：

VRAMtrain≈20×N(Bytes) \text{VRAM}_{train} \approx 20 \times N (Bytes)

以 70B 的模型为例，训练显存需要 $\approx 70 \times 10^9 \times 20 \text{Bytes} = 1400 \text{GB}$ ，80GB 的 A100 需要至少 18 张并行训练。

推理只需要存模型的权重（不考虑 KVCache 的情况）：

VRAMinfer≈2×N(Bytes) \text{VRAM}_{infer} \approx 2 \times N (Bytes)

如果是 4-bit 量化：

VRAMinfer≈0.5×N(Bytes) \text{VRAM}_{infer} \approx 0.5 \times N (Bytes)

考虑 KVCache 加速推理的情况下，如果精度为 FP16，那么额外需要：

VRAMKVCache≈b×s×l×h×2(Bytes) \text{VRAM}_{KVCache} \approx b \times s \times l \times h \times 2 (Bytes)

在长序列推理中， KVCache 占据显存非常大。示例：LLaMA-7B (hidden_size=4096, layers=32)，batch=1, seq_len=32k → KV Cache ≈ 32k × 32 × 2 × 4096 × 2 ≈ 8 GB。 seq_len=128k 的情况下仅仅 KV Cache 会到 32 GB+。

这里的激活值和激活函数没有啥关系，以一个四个 Linear 的模型结构为例进行说明。其前向传播和损失函数的公式如下所示：

x1=W1x+b1x2=W2x1+b2x3=W3x2+b3x4=W4x3+b4l=(y−x4)2 \begin{split} x_1 &= W_1 x + b_1 \\ x_2 &= W_2 x_1 + b_2 \\ x_3 &= W_3 x_2 + b_3 \\ x_4 &= W_4 x_3 + b_4 \\ l &= (y - x_4)^2 \end{split}

在该公式中：$x$ 和 $y$ 为数据的特征和标签；$W_1$、$b_1$、$W_2$、$b_2$、$W_3$、$b_3$、$W_4$、$b_4$ 为四个 Linear 层的权重和偏置；$x_1$、x$_2$、$x_3$、$x_4$ 都是计算过程中的中间状态。反向传播过程中要对权重进行更新，也就是求损失相对于 $W_1$、$W_2$、$W_3$、$W_4$ 的偏导，按照链式求导法则得到公式如下：

∂l∂W4=∂l∂x4⋅∂x4∂W4=[−2(y−x4)]⋅x3∂l∂W3=∂l∂x4⋅∂x4∂x3⋅∂x3∂W3=[[−2(y−x4)]⋅W4]⋅x2∂l∂W2=∂l∂x4⋅∂x4∂x3⋅∂x3∂x2⋅∂x2∂W2=[[−2(y−x4)]⋅W4⋅W3]⋅x1∂l∂W1=∂l∂x4⋅∂x4∂x3⋅∂x3∂x2⋅∂x2∂x1⋅∂x1∂W1=[[−2(y−x4)]⋅W4⋅W3⋅W2]⋅x \begin{split} \frac{\partial l}{\partial W_4} &= \frac{\partial l}{\partial x_4} \cdot \frac{\partial x_4}{\partial W_4} = \Bigg[ -2(y-x_4)\Bigg] \cdot x_3 \\ \frac{\partial l}{\partial W_3} &= \frac{\partial l}{\partial x_4} \cdot \frac{\partial x_4}{\partial x_3} \cdot \frac{\partial x_3}{\partial W_3} = \Bigg[ [-2(y-x_4)] \cdot W_4 \Bigg] \cdot x_2 \\ \frac{\partial l}{\partial W_2} &= \frac{\partial l}{\partial x_4} \cdot \frac{\partial x_4}{\partial x_3} \cdot \frac{\partial x_3}{\partial x_2} \cdot \frac{\partial x_2}{\partial W_2} = \Bigg[ [-2(y-x_4)] \cdot W_4 \cdot W_3 \Bigg] \cdot x_1 \\ \frac{\partial l}{\partial W_1} &= \frac{\partial l}{\partial x_4} \cdot \frac{\partial x_4}{\partial x_3} \cdot \frac{\partial x_3}{\partial x_2} \cdot \frac{\partial x_2}{\partial x_1} \cdot \frac{\partial x_1}{\partial W_1} = \Bigg[ [-2(y-x_4)] \cdot W_4 \cdot W_3 \cdot W_2 \Bigg] \cdot x \\ \end{split}

对上面这四个权重矩阵的链式求导公式找一下规律，可以发现对于权重矩阵 $W_i$ 的梯度在计算时主要有两项：

  • 第一项是上述公式中使用特别大的中括号扩起来的部分，这部分是第 i+1 层反传回来的值，我们使用符号 $i+1$ 来表示这一项；
  • 另一项则是第 $i−1$ 层计算出来的中间值，使用符号 $x_{i−1}$ 来表示；

那么对于 $W_i$ 的梯度计算公式就变为了 $\frac{\partial l}{\partial W_i} = l_{i+1} \cdot x_{i-1}$，这里的 $l_{i+1}$ 是第 $i+1$ 层反传过来的，所以计算第 $i$ 层的梯度时只需要做一次矩阵乘法即可。这里的 $x_{i−1}$ 正是在前向传播时计算出来的中间状态，比较官方的术语为 中间激活值。

这里把 transformer 层分为两部分，一部分是 MHA 层，一部分是 FFN 层。下面分别写一下这两部分的公式。一般的资料中关于 transformer 的公式仅写主要的部分，像dropout、normalize、激活函数都会被省略，但是这里由于需要分析中间激活值的显存，所以会把整个 transformer 的所有操作都体现到公式中，如下。

MHA 层的公式如下：

Q=x⋅WQ,K=x⋅Wk,V=x⋅Wvxself=Dropout[softmax(Q⋅KTd)]⋅Vxattn=LN[Dropout(xself⋅wo)+x] \begin{equation}\begin{split} Q &= x \cdot W_Q, \quad K = x \cdot W_k, \quad V = x \cdot W_v \\ x_{\text{self}} &= \text{Dropout}\Big[ \text{softmax}\big(\frac{Q \cdot K^T}{\sqrt{d}} \big) \Big] \cdot V \\ x_{\text{attn}} &= \text{LN}\Big[ \text{Dropout}\big(x_{\text{self}} \cdot w_o \big) + x \Big] \end{split}\end{equation}

FFN 层的公式如下：

xffn=GeLU(xattn⋅Wff1)⋅Wff2xo=LN[Dropout(xffn)+xattn] \begin{equation}\begin{split} x_{\text{ffn}} &= \text{GeLU}(x_{\text{attn}} \cdot W_{\text{ff1}}) \cdot W_{\text{ff2}} \\ x_o &= \text{LN}\Big[\text{Dropout}\big(x_{\text{ffn}} \big) + x_{\text{attn}} \Big] \end{split}\end{equation}

总的来说，MHA 层的输入为 $x$，输出为 $x_{attn}$；FFN 层的输入为 $x_{attn}$，输出为 $x_o$；

首先定义几个符号：

  • b：表示batch_size；
  • s：表示seq_length，为文本长度；
  • h：表示hidden_dim，为隐藏层的维度；
  • a：表示多头注意力中有多个头；
  • ha：表示hidden_dim_per_head，为多头注意力中每个头的隐藏层维度；

另外，在实际使用时一般都有 ha∗a=h 成立。 MHA 层需要保存的激活值，以及每个激活值的大小：

Q=x⋅WQ:维度为 [b,a,s,ha]=[b,s,h],大小为 2bsh 字节K=x⋅Wk:维度为 [b,a,s,ha]=[b,s,h],大小为 2bsh 字节V=x⋅Wv:维度为 [b,a,s,ha]=[b,s,h],大小为 2bsh 字节Q⋅KT:维度为 [b,a,s,s],大小为 2bas2 字节softmax(QTKd):维度为 [b,a,s,s],大小为 2bas2 字节Dropout[softmax(Q⋅KTd)]:维度为 [b,a,s,s],Dropout 层大小为 bas2 字节xself=Dropout[softmax(Q⋅KTd)]⋅V:维度为 [b,a,s,ha]=[b,s,h],大小为 2bsh 字节xself⋅Wo:维度为 [b,s,h],大小为 2bsh 字节Dropout(xself⋅wo):维度为 [b,s,h],Dropout 层大小为 bsh 字节xattn=LN[Dropout(xself⋅wo)+x]:维度为 [b,s,h],大小为 2bsh 字节 \begin{alignat}{10} Q = x \cdot W_Q \quad &: \quad \text{维度为 } [b, a, s, h_a] = [b, s, h], &\text{大小为 } 2bsh \text{ 字节} \\ K = x \cdot W_k \quad &: \quad \text{维度为 } [b, a, s, h_a] = [b, s, h], &\text{大小为 } 2bsh \text{ 字节} \\ V = x \cdot W_v \quad &: \quad \text{维度为 } [b, a, s, h_a] = [b, s, h], &\text{大小为 } 2bsh \text{ 字节} \\ Q \cdot K^T \quad &: \quad \text{维度为 } [b, a, s, s], &\text{大小为 } 2bas^2 \text{ 字节} \\ \text{softmax}(\frac{Q^T K}{\sqrt{d}}) \quad &: \quad \text{维度为 } [b, a, s, s], &\text{大小为 } 2bas^2 \text{ 字节} \\ \text{Dropout}\Big[ \text{softmax}\big(\frac{Q \cdot K^T}{\sqrt{d}} \big) \Big] \quad &: \quad \text{维度为 } [b, a, s, s], &\text{Dropout 层大小为 } bas^2 \text{ 字节} \\ x_{\text{self}} = \text{Dropout}\Big[ \text{softmax}\big(\frac{Q \cdot K^T}{\sqrt{d}} \big) \Big] \cdot V \quad &: \quad \text{维度为 } [b, a, s, h_a] = [b, s, h], &\text{大小为 } 2bsh \text{ 字节} \\ x_{\text{self}} \cdot W_o \quad &: \quad \text{维度为 } [b, s, h], &\text{大小为 } 2bsh \text{ 字节} \\ \text{Dropout}\big(x_{\text{self} \cdot w_o} \big) \quad &: \quad \text{维度为 } [b, s, h], &\text{Dropout 层大小为 } bsh \text{ 字节} \\ x_{\text{attn}} = \text{LN}\Big[ \text{Dropout}\big(x_{\text{self}} \cdot w_o \big) + x \Big] \quad &: \quad \text{维度为 } [b, s, h], &\text{大小为 } 2bsh \text{ 字节} \end{alignat}

FFN 层需要保存的激活值，以及每个激活值的大小：

xattn⋅Wff1:维度为 [b,s,4h],大小为 8bsh 字节GeLU(xattn⋅Wff1):维度为 [b,s,4h],大小为 8bsh 字节xffn=GeLU(xattn⋅Wff1)⋅Wff2:维度为 [b,s,h],大小为 2bsh 字节Dropout(xffn):维度为 [b,s,h],Dropout 层大小为 bsh 字节LN[Dropout(xffn)+xattn]:维度为 [b,s,h],大小为 2bsh 字节 \begin{alignat}{2} x_{\text{attn}} \cdot W_{\text{ff1}} \quad &: \quad \text{维度为 } [b, s, 4h], &\text{大小为 } 8bsh \text{ 字节} \\ \text{GeLU} (x_{\text{attn}} \cdot W_{\text{ff1}}) \quad &: \quad \text{维度为 } [b, s, 4h], &\text{大小为 } 8bsh \text{ 字节} \\ x_{\text{ffn}} = \text{GeLU}(x_{\text{attn}} \cdot W_{\text{ff1}}) \cdot W_{\text{ff2}} \quad &: \quad \text{维度为 } [b, s, h], &\text{大小为 } 2bsh \text{ 字节} \\ \text{Dropout}\big(x_{\text{ffn}} \big) \quad &: \quad \text{维度为 } [b, s, h], \qquad &\text{Dropout 层大小为 } bsh \text{ 字节} \\ \text{LN}\Big[\text{Dropout}\big(x_{\text{ffn}} \big) + x_{\text{attn}} \Big] \quad &: \quad \text{维度为 } [b, s, h], &\text{大小为 } 2bsh \text{ 字节} \\ \end{alignat}

将 MHA 和 FFN 层全部加起来得到：

2bsh+2bsh+2bsh+2bas2+2bas2+bas2+2bsh+2bsh+bsh+2bsh+8bsh+8bsh+2bsh+bsh+2bsh=34bsh+5bas2 \begin{split} & 2bsh+2bsh+2bsh+2bas^2+2bas^2+bas^2+2bsh+2bsh+bsh+2bsh+ \\ & 8bsh+8bsh+2bsh+bsh+2bsh=34bsh+5bas^2 \end{split}

如果有 $l$ 层 transformer，那么这 $l$ 层 transformer 总的中间激活值占用的显存为：$l∗(34bsh+5bas^2)$

上面仅分析了多个 transformer 对应的中间激活值消耗的显存的大小。模型中还会有 embedding 层和解码层。其中解码层没有对应的中间激活值，只需要分析一下 embedding 层即可。

embedding 层的功能是将输入的 token ID 转为向量，其输出的矩阵维度为 [batch_size, seq_length, hidden_size]，即 [b, s, h]，该中间激活值占用的显存为 2bsh。

综上所述，整个模型所有的中间激活值的大小为$l∗(34bsh+5bas^2)+2bsh$。随着模型越来越大，$l$ 是比较大的，所以有时会忽略 $2bsh$ 这一项，直接使用 $l∗(34bsh+5bas^2)$ 来估计模型的中间激活值的大小。

更新于 2026-02-02
 | 主页