省显存（内存？）的大语言模型（LLMs）训练/微调/推理方法

即使 RTX 3090 有着 24GB 的 RAM，使用一块 RTX 3090 依然无法 fp32 精度训练最小号的 LLaMA-6B。

估算模型所需的RAM

首先，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。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。
接下来用 LLaMA-6B 模型为例估算其大致需要的内存。

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.

模型需要的 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。

• 对于 fp32，LLaMA-6B 需要 6B*4 bytes = 24GB内存
• 对于 int8，LLaMA-6B 需要 6B*1 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)。

• 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 也会占据一些 RAM，大概 1.3GB 左右，查看方式如下。

综上，int8 精度的 LLaMA-6B 模型部分大致需要 6GB+6GB+12GB+1.3GB = 25.3GB 左右。
再根据LLaMA的架构（hidden_size = 4096, intermediate_size =11008, num_hidden_layers = 32, context_length = 2048）计算中间变量内存。
每个 instance 需要：

所以一张 A100（80GB RAM）大概可以在 int8 精度；batch_size = 50 的设定下进行全参数训练。

ps:查看消费级显卡的内存和算力：
2023 GPU Benchmark and Graphics Card Comparison Chart

Fp16-mixed precision

混合精度训练的大致思路是在 forward pass 和 gradient computation 的时候使用 fp16 来加速，但是在更新参数时使用 fp32。
用 torch 实现：CUDA Automatic Mixed Precision examples
torch fp16 推理：直接使用 model.half() 将模型转换为fp16.

使用 Huggingface Transformers：在 TrainingArguments 里声明 fp16=True

Int8-bitsandbytes

Int8 是个很极端的数据类型，它最多只能表示 - 128～127 的数字，并且完全没有精度。
为了在训练和 inference 中使用这个数据类型，bitsandbytes 使用了两个方法最大程度地降低了其带来的误差：

1. vector-wise quantization
2. mixed precision decompasition

Huggingface 在这篇文章中用动图解释了 quantization 的实现

论文：LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale

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

LoRA

Low-Rank Adaptation 是微调 LLMs 最常用的省内存方法之一。


LoRA 的论文
借助 Huggingface PEFT 框架，使用 LoRA 微调 mt0

Gradient Checkpointing

在 torch 中使用 - 把 model 用一个 customize 的 function 包装一下即可，详见：Explore Gradient-Checkpointing in PyTorch
在 Huggingface Transformers 中使用

Torch FSDP+CPU offload

Fully Sharded Data Paralle（FSDP）和 DeepSpeed 类似，均通过 ZeRO 等分布优化算法，减少内存的占用量。其将模型参数，梯度和优化器状态分布至多个 GPU 上，而非像 DDP 一样，在每个 GPU 上保留完整副本。
CPU offload 则允许在一个 back propagation 中，将参数动态地从 GPU -> CPU, CPU -> GPU 进行转移，从而节省 GPU 内存。

Huggingface 这篇博文解释了 ZeRO 的大致实现方法
借助 torch 实现 FSDP，只需要将 model 用 FSDPwarp 一下；同样，cpu_offload 也只需要一行代码
在这个可以查看 FSDP 支持的模型
在 Huggingface Transformers 中使用 Torch FSDP
根据某些 issue，shard_grad_op（只分布保存 optimizer states 和 gradients）模式可能比 fully_shard 更稳定

参考

pytorch模型训练之fp16、apm、多GPU模型、梯度检查点（gradient checkpointing）显存优化等
图解网络Offload
Flexgen LLM推理 CPU Offload计算架构到底干了什么事情？