大模型（LLMs）現在是 NLP 領域的最主流方法之一了。

這個趨勢帶來的主要問題之一，就是大模型的訓練/微調/推理需要的內存也越來越多。

舉例來說，即使 RTX 3090 有著 24GB 的 RAM，是除了 A100 之外顯存最大的顯卡。但使用一塊 RTX 3090 依然無法 fp32 精度訓練最小號的 LLaMA-6B。

本文總結一些 Memory-Efficient 的 LLMs 的訓練/微調/推理方法，包括：

● fp16

●int8

●LoRA

●Gradient checkpointing

●Torch FSDP

●CPU offloading

估算模型所需的RAM

首先，我們需要了解如何根據參數量估計模型大致所需的 RAM，這在實踐中有很重要的參考意義。我們需要通過估算設置 batch_size，設置模型精度，選擇微調方法和參數分布方法等。

接下來，我們用LLaMA-6B模型為例估算其大致需要的內存。

首先考慮精度對所需內存的影響：

●fp32 精度，一個參數需要 32 bits, 4 bytes. ●fp16 精度，一個參數需要 16 bits, 2 bytes. ●int8 精度，一個參數需要 8 bits, 1 byte.

其次，考慮模型需要的 RAM 大致分三個部分：

●模型參數 ●梯度 ●優化器參數

模型參數：等于參數量*每個參數所需內存。

對于 fp32，LLaMA-6B 需要 6B*4 bytes = 24GB內存

對于 int8，LLaMA-6B 需要 6B*1 byte = 6GB

梯度：同上，等于參數量*每個梯度參數所需內存。

優化器參數：不同的優化器所儲存的參數量不同。

對于常用的 AdamW 來說，需要儲存兩倍的模型參數（用來儲存一階和二階momentum）。

fp32 的 LLaMA-6B，AdamW 需要 6B*8 bytes = 48 GB

int8 的 LLaMA-6B，AdamW 需要 6B*2 bytes = 12 GB

除此之外，CUDA kernel也會占據一些 RAM，大概 1.3GB 左右，查看方式如下。

綜上，int8 精度的 LLaMA-6B 模型部分大致需要 6GB+6GB+12GB+1.3GB = 25.3GB 左右。

再根據LLaMA的架構（hidden_size = 4096, intermediate_size =11008, num_hidden_layers = 32, context_length = 2048）計算中間變量內存。

每個 instance 需要：

所以一張 A100（80GB RAM）大概可以在 int8 精度；batch_size = 50 的設定下進行全參數訓練。

查看消費級顯卡的內存和算力：

2023 GPU Benchmark and Graphics Card Comparison Chart

https://www.gpucheck.com/gpu-benchmark-graphics-card-comparison-chart

Fp16-mixed precision

混合精度訓練的大致思路是在 forward pass 和 gradient computation 的時候使用 fp16 來加速，但是在更新參數時使用 fp32。

用 torch 實現：

CUDA Automatic Mixed Precision examples

https://pytorch.org/docs/stable/notes/amp_examples.html

torch fp16 推理：直接使用 model.half() 將模型轉換為fp16.

使用 Huggingface Transformers：在 TrainingArguments 里聲明 fp16=True

https://huggingface.co/docs/transformers/perf_train_gpu_one#fp16-training

Int8-bitsandbytes

Int8 是個很極端的數據類型，它最多只能表示 - 128～127 的數字，并且完全沒有精度。

為了在訓練和 inference 中使用這個數據類型，bitsandbytes 使用了兩個方法最大程度地降低了其帶來的誤差：

1. vector-wise quantization

2. mixed precision decompasition

Huggingface 在這篇文章中用動圖解釋了 quantization 的實現：

https://huggingface.co/blog/hf-bitsandbytes-integration

論文：

LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scalehttps://arxiv.org/abs/2208.07339

借助 Huggingface PEFT，使用 int8 訓練 opt-6.5B 的完整流程：

https://github.com/huggingface/peft/blob/main/examples/int8_training/Finetune_opt_bnb_peft.ipynb

LoRA

Low-Rank Adaptation 是微調 LLMs 最常用的省內存方法之一。

LoRA 發現再微調 LLMs 時，更新矩陣（update matrix）往往特別 sparse，也就是說 update matrix 是低秩矩陣。LoRA 的作者根據這一特點將 update matrix reparametrize 為兩個低秩矩陣的積積 。 其中，，A 和 B 的秩為 r，且 。 如此一來，A+B 的參數量將大大小于 . LoRA 的論文： https://arxiv.org/pdf/2106.09685.pdf

借助 Huggingface PEFT 框架，使用 LoRA 微調 mt0： https://github.com/huggingface/peft/blob/main/examples/conditional_generation/peft_lora_seq2seq.ipynb

Gradient Checkpointing

在 torch 中使用 - 把 model 用一個 customize 的 function 包裝一下即可，詳見：

Explore Gradient-Checkpointing in PyTorch

https://qywu.github.io/2019/05/22/explore-gradient-checkpointing.html 在 Huggingface Transformers 中使用： https://huggingface.co/docs/transformers/v4.27.2/en/perf_train_gpu_one#gradient-checkpointing

Torch FSDP+CPU offload

Fully Sharded Data Paralle（FSDP）和 DeepSpeed 類似，均通過 ZeRO 等分布優化算法，減少內存的占用量。其將模型參數，梯度和優化器狀態分布至多個 GPU 上，而非像 DDP 一樣，在每個 GPU 上保留完整副本。 CPU offload 則允許在一個 back propagation 中，將參數動態地從 GPU -> CPU, CPU -> GPU 進行轉移，從而節省 GPU 內存。 Huggingface 這篇博文解釋了 ZeRO 的大致實現方法： https://huggingface.co/blog/zero-deepspeed-fairscale

借助 torch 實現 FSDP，只需要將 model 用 FSDPwarp 一下；同樣，cpu_offload 也只需要一行代碼： https://pytorch.org/blog/introducing-pytorch-fully-sharded-data-parallel-api/

在這個可以查看 FSDP 支持的模型： https://pytorch.org/docs/stable/fsdp.html

在 Huggingface Transformers 中使用 Torch FSDP： https://huggingface.co/docs/transformers/v4.27.2/en/main_classes/trainer#transformers.Trainin

根據某些 issue，shard_grad_op（只分布保存 optimizer states 和 gradients）模式可能比 fully_shard 更穩定： https://github.com/tatsu-lab/stanford_alpaca/issues/32

審核編輯 ：李倩