【本文正在介入 AI.x社区AIGC翻新先锋者征文大赛】
作者 | Muhammad Saad Uddin
编译 | 岳扬
将 LLMs 投入消费环境经常使用，会遇到诸多应战，尤其是想要为 LLMs 高效提供所需的计算资源时。有过此类阅历的人或者深有体会，GPU 内存是允许 LLMs 运转的一项关键资源。由于这些模型体积渺小，且推理环节具备灵活性质，因此对 GPU 内存经常使用的布局和优化提出了更高的要求。
Image by Author via DallE
出于以下几个要素，准确预算 GPU 内存的需求至关关键：
但是，计算 LLMs 服务所需的 GPU 内存并非一件便捷的事。模型的大小（model size）、序列长度（sequence lengths）、批处置数量（batch sizes）以及解码算法（decoding algorithms）等多种要素，都会以复杂的形式影响内存经常使用。而且，传统的内存调配方法常因内存碎片和键值（KV）缓存等灵活内存组件的低效治理而形成少量糜费。
在本文中，我将尽或者具体地解释如何计算 LLMs 服务所需的 GPU 内存。我将剖析影响内存经常使用的各局部，并依据模型参数和上班负载特色（workload characteristics），逐渐引见如何预算内存占用大小。同时，我还会讨论 Paged Attention 和 vLLM 等先进的优化技术，这些技术能清楚降低内存消耗并优化处置才干。经过阅读本文，你将能够片面了解如何布局和优化 LLMs 的 GPU 内存经常使用，从而在实践运行中成功高效且低老本的 LLMs 部署。
01 了解 LLM 推理环节中，关键消耗 GPU 内存的几局部
要想把握 GPU 内存的计算方法，最关键的是了解各局部如何占用 GPU 内存的。了解内存的经常使用去向有助于咱们更好地布局与优化资源。在 LLMs 推理环节中，关键消耗 GPU 内存的几局部包含权重（模型参数）、键值缓存内存（Key-Value Cache Memory）、激活值（Activations）与暂时缓冲区（Temporary Buffers），以及系统开支（Overheads）（假设你对并行处置或散布式计算有所钻研，或者对这个概念已有必定的看法）。
1.1 模型参数（权重）
模型参数是神经网络在训练环节中学到的数值（权重（weights）和偏置（biases））。这些参数定义了模型如何处置输入数据生成输入。
模型大小对 GPU 内存的影响
让咱们看看这些模型：
请记住，关于 GPT-3 及其之后的模型，经常使用模型并行化（model parallelism）将模型参数散布到多个 GPU 上是十分必要的。
1.2 键值（KV）缓存内存
KV缓存存储生成序列中每个 token 所需的两边示意。便捷来说，当模型每次生成一个 token 时，它须要记住之前的 tokens 以坚持高低文。KV缓存存储了目前为止生成的每个 token 的键（key）和值（value）向量，使模型能够高效地处置过去的 tokens ，而无需从新计算。
上班原理：
序列长度（Sequence Length）和并发恳求（Concurrent Requests）的影响：
计算每个 token 的 KV 缓存大小
让咱们来剖析一下如何得出每个 token 的 KV 缓存大小：
键向量（每层一个键向量）和值向量（每层一个值向量）
再次以 llama-13b 模型为例，假定模型具备以下特色：
i. 键向量：
ii. 值向量：
iii. 每个 token 的总KV缓存：
如今思索输入内容为2000个 tokens 的状况：
KV缓存随着序列长度和并发恳求数量的参与而线性增长。我从一篇论文[1]中了解到，KV缓存可以消耗多达 30% 甚至更多的GPU内存。
1.3 激活值和暂时缓冲区
激活值（Activations）是指推理环节中神经网络层的输入，而暂时缓冲区（temporary buffers）用于两边计算。激活值缓和冲区通常消耗的内存比模型权重和 KV 缓存要少。
虽然它们的容量较小，但激活值关于模型计算每一层的输入是十分必要的。它们在前向传递环节（forward pass）中被创立和摈弃，但仍须要足够的内存调配。
1.4 内存开支
额外的内存经常使用开支来自于内存调配和经常使用的低效率。上方是对其的简明引见：
内存碎片：
计算环节中发生的两边步骤：
低效内存治理的影响：
示例：假设内存碎片在 40 GB GPU 上糜费了 20 %的内存，那么就有 8 GB 的内存本可以用来处置更多恳求，但是如今被糜费了。
02 计算 GPU 内存需求
既然咱们曾经对关键内容有了足够的了解，那么就不再迁延，间接计算完整的 GPU 内存需求！
逐渐计算：
要计算任何模型的内存需求，简直以下内容都须要：了解模型权重、KV缓存、激活值和暂时缓冲区以及系统内存开支。以 llama-2 13B 模型为例，公式为：
所需内存总量：模型权重 + KV缓存 + 激活值和系统内存开支
关于 13 B 模型来说：
模型权重 = 参数数量 × 每个参数的字节数
总 KV 缓存内存 = 每个 token 的 KV 缓存内存 × 输入序列长度 × 输入序列数量
激活值和系统内存开支 = GPU总内存的 5–10 %
模型权重 = 130 亿 × 2 字节 = 26 GB
总 KV 缓存内存 = 800 KB × 8192* tokens × 10* 并发恳求= 66 GB
激活值和系统内存开支 = 0.1 × (26 GB + 66GB) = 9.2 GB
所需内存总量：26 GB + 66 GB + 9.2 GB = 101.2 GB
所以，运转 llama-2 7B 模型至少须要 3 个 A100 40GB GPU。
假设我想要托管一个 GPT-3 模型（我知道这很疯狂；D），计算方法与此相似，但这次我会假定每次只处置一个恳求，并经常使用 OPT-175B[2] 模型的大小（ 96 层和每层 12288 维度）作为参考。
所需总内存：350 GB + 36 GB + 38.6 GB = 424.6 GB 简直须要 11 个 A100