企业宣传,产品推广,广告招商,广告投放联系seowdb

GPU 前如何计算与优化 内存需求 #AIGC创新先锋者征文大赛# LLMs 部署

​ ​ 【本文正在参与 AI.x社区AIGC创新先锋者征文大赛】 ​ ​

作者 | Muhammad Saad Uddin

编译 | 岳扬

将 LLMs 投入生产环境使用,会遇到诸多挑战,尤其是想要为 LLMs 高效提供所需的计算资源时。有过此类经验的人可能深有体会,GPU 内存是支持 LLMs 运行的一项关键资源。由于这些模型体积巨大,且推理过程具有动态性质,因此对 GPU 内存使用的规划和优化提出了更高的要求。

Image by Author via DallE

出于以下几个原因,准确估算 GPU 内存的需求至关重要:

然而,计算 LLMs 服务所需的 GPU 内存并非一件简单的事。模型的大小(model size)、序列长度(sequence lengths)、批处理数量(batch sizes)以及解码算法(decoding algorithms)等多种因素,都会以复杂的方式影响内存使用。而且,传统的内存分配方法常因内存碎片和键值(KV)缓存等动态内存组件的低效管理而造成大量浪费。

在本文中,我将尽可能详细地解释如何计算 LLMs 服务所需的 GPU 内存。我将分析影响内存使用的各部分,并根据模型参数和工作负载特征(workload characteristics),逐步介绍如何估算内存占用大小。同时,我还会探讨 Paged Attention 和 vLLM 等先进的优化技术,这些技术能显著降低内存消耗并提升处理能力。通过阅读本文,你将能够全面了解如何规划和优化 LLMs 的 GPU 内存使用,从而在实际应用中实现高效且低成本的 LLMs 部署。

01 了解 LLM 推理过程中,主要消耗 GPU 内存的几部分

要想掌握 GPU 内存的计算方法,最关键的是了解各部分如何占用 GPU 内存的。了解内存的使用去向有助于我们更好地规划与优化资源。在 LLMs 推理过程中,主要消耗 GPU 内存的几部分包括权重(模型参数)、键值缓存内存(Key-Value Cache Memory)、激活值(Activations)与临时缓冲区(Temporary Buffers),以及系统开销(Overheads)(如果你对并行处理或分布式计算有所研究,可能对这个概念已有一定的认识)。

1.1 模型参数(权重)

模型参数是神经网络在训练过程中学到的数值(权重(weights)和偏置(biases))。这些参数定义了模型如何处理输入数据生成输出。

模型大小对 GPU 内存的影响

让我们看看这些模型:

请记住,对于 GPT-3 及其之后的模型,使用模型并行化(model parallelism)将模型参数分布到多个 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 所需的中间表示。简单来说,当模型每次生成一个 token 时,它需要记住之前的 tokens 以保持上下文。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理过去的 tokens ,而无需重新计算。

工作原理:

序列长度(Sequence Length)和并发请求(Concurrent Requests)的影响:

计算每个 token 的 KV 缓存大小

让我们来分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,假设模型具有以下特征:

i. 键向量:

ii. 值向量:

iii. 每个 token 的总KV缓存:

现在考虑输出内容为2000个 tokens 的情况:

KV缓存随着序列长度和并发请求数量的增加而线性增长。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 激活值和临时缓冲区

激活值(Activations)是指推理过程中神经网络层的输出,而临时缓冲区(temporary buffers)用于中间计算。激活值和缓冲区通常消耗的内存比模型权重和 KV 缓存要少。

尽管它们的容量较小,但激活值对于模型计算每一层的输出是十分必要的。它们在前向传递过程(forward pass)中被创建和丢弃,但仍需要足够的内存分配。

1.4 内存开销

额外的内存使用开销来自于内存分配和使用的低效率。下面是对其的简要介绍:

内存碎片:

计算过程中产生的中间步骤:

低效内存管理的影响:

示例:如果内存碎片在 40 GB GPU 上浪费了 20 %的内存,那么就有 8 GB 的内存本可以用来处理更多请求,但是现在被浪费了。

02 计算 GPU 内存需求

既然我们已经对关键内容有了足够的了解,那么就不再拖延,直接计算完整的 GPU 内存需求!

逐步计算:

要计算任何模型的内存需求,几乎以下内容都需要:了解模型权重、KV缓存、激活值和临时缓冲区以及系统内存开销。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销

对于 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 × 输出序列长度 × 输出序列数量

激活值和系统内存开销 = 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* 并发请求= 66 GB

激活值和系统内存开销 = 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,运行 llama-2 7B 模型至少需要 3 个 A100 40GB GPU。

如果我想要托管一个 GPT-3 模型(我知道这很疯狂;D),计算方法与此类似,但这次我会假设每次只处理一个请求,并使用 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 几乎需要 11 个 A100

© 版权声明
评论 抢沙发
加载中~
每日一言
不怕万人阻挡,只怕自己投降
Not afraid of people blocking, I'm afraid their surrender