大模型（LLMs）显存问题面
- 大模型（LLMs）显存问题面
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。
- 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。
（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
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7*16=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。
大模型所需要的考虑的显存包括三个部分：模型本身，CUDA kernel，batch大小
6.1 模型本身
模型本身需要的 RAM 大致分三个部分：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
首先考虑精度对所需内存的影响：
- 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.
注：
对于 fp32，LLaMA-6B 需要 6B4 bytes = 24GB内存
对于 int8，LLaMA-6B 需要 6B1 byte = 6GB
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。
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）。
注：
fp32 的 LLaMA-6B，AdamW 需要 6B8 bytes = 48 GB
int8 的 LLaMA-6B，AdamW 需要 6B2 bytes = 12 GB
6.2 CUDA kernel
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。
> torch.ones((1，1)).to("cuda")
> print_gpu_utilization()
>>>
GPU memory occupied: 1343 MB6.3 batch大小
首先需要计算batch中每个instance的中间变量内存。
等于用中间计算参数量 *每个参数所需内存 * batch size。
6.4 batch size 为50，int8精度下的Llama-6B所占显存为多少？
- 模型本身
- 模型参数：对于 int8，LLaMA-6B 需要 6B *1 byte = 6GB
- 梯度：同上，6GB
- 优化器参数：int8 的 LLaMA-6B，AdamW 需要 6B* 1 bytes * 2= 12 GB
- CUDA kernel : 1.3GB
- int 8精度下 Llama-6B： 6GB+6GB+12GB+1.3GB = 25.3GB
- batch
- LLaMA的架构：
hidden_size = 4096, intermediate_size =11008, num_hidden_layers = 32, context_length = 2048
每个实例：
(4096 +11008) * 2048 *32 * 1byte = 990MB
那么batch size为50
990MB * 50 = 48.3GB
那么最终batch size 为50，int8精度下的Llama-6B所占显存为
25.3GB + 48.3GB = 73.6GB
刚好一张 A100（80GB RAM），在batch size 为50，int8精度的设定下可以进行Llama-6B全参数微调。
那么其他的情况大家也都可以根据实际精度，模型大小、中间变量计算以及batch来类推了。
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
- 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
- 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%）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
- 测试工具：torch profiler 及 tensorboard
- 参考数据：无
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%
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？
$ nvidia-smi topo -m8.3 如何查看服务器上显卡的具体型号?
cd /usr/local/cuda/samples/1_Utilities/deviceQuery
make
./deviceQuery8.4 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
{
"flops_profiler": {
"enabled": true,
"profile_step": 1,
"module_depth": -1,
"top_modules": 1,
"detailed": true,
"output_file": null
}
}8.5 如何查看对deepspeed的环境配置是否正确？
$ ds_report8.6 tf32格式有多长？
19位
8.7 哪里看各类显卡算力比较？
https://lambdalabs.com/gpu-benchmarks
8.8 （torch profiler）如何查看自己的训练中通信开销？
用pytorch profiler查看，下面给出基于transformers的一种快捷的修改方式。
用记录的pt.trace.json文件放到tensorboard上，可以看出tensor core的利用率。
根据实践经验，使用deepspeed zero3时，pcie版本的卡很大部分时间都在通信上，AllGather和ReduceScatter的时间超过tensor core计算的时间，所以flops上不去。