你的GPU能跑Llama 2等大模型嗎？用這個開源專案手測一測

在算力為王的時代，你的 GPU 可以順暢的運行大模型（LLM）嗎？

對於這個問題，很多人都難以給出確切的回答，不知該如何計算 GPU 記憶體。因為查看 GPU 可以處理哪些 LLM 並不像查看模型大小那麼容易，在推理期間（KV 快取）模型會佔用大量內存，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 快取、啟動和量化都會佔用大量記憶體。

我們不禁要問，能不能事先了解上述記憶體的佔用情況。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佈情況、評估採用什麼的量化方法、處理的最大上下文長度等問題，從而幫助使用者選擇適合自己的GPU 配置。

專案網址：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，最後點擊一下藍色的按鈕，答案就出來了。

互動位址：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}

至於為什麼要做這個項目，作者Rahul Shiv Chand 表示，有以下原因：

• 在GPU 上執行LLM 時，應該採用什麼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；
• 什麼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。

那麼，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，該專案已經硬編碼並保存了 Huggingface 上下載次數最多的 top 3000 LLM 的模型配置。

如果你使用自訂模型或Hugginface ID 不可用，這時你需要上傳json 配置（參考項目範例）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，目前該專案支持 bitsandbytes (bnb) int8/int4 以及 GGML（QK_8、QK_6、QK_5、QK_4、QK_2）。後者僅用於推理，而 bnb int8/int4 可用於訓練和推理。

最後是推理和訓練，在推理過程中，使用HuggingFace 實現或用vLLM、GGML 方法找到用於推理的vRAM；在訓練過程中，找到vRAM 進行全模型微調或使用LoRA（目前專案已經為LoRA 配置硬編碼r=8）、QLoRA 進行微調。

不過，專案作者表示，最終結果可能會有所不同，具體取決於使用者模型、輸入的資料、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，並確保最終結果在 500MB 以內。下表是作者交叉檢查了網站提供的 3b、7b 和 13b 模型佔用記憶體與作者在 RTX 4090 和 2060 GPU 上獲得的記憶體比較結果。所有數值均在 500MB 以內。

有興趣的讀者可以親自體驗一下，假如給定的結果不準確，專案作者表示，會對專案進行及時優化，完善專案.

以上是你的GPU能跑Llama 2等大模型嗎？用這個開源專案手測一測的詳細內容。更多資訊請關注PHP中文網其他相關文章！