苏老的学习笔记 - 评估AI模型需要gpu显存资源

评估AI模型需要gpu显存资源

我们通常看到发布的开源模型都会有写10b,17b,100b等等这些数字，这些都是指的模型参数规模，现在大模型参数从原来的亿级暴增至几百亿，这些由于现在gpu性能的大幅提升以及应用对模型的性能需求，导致了参数规模爆发式增长。

模型训练阶段算力和显存都制约着训练的速度和训练阶段的持续性，如果一个模型在不同等算力的支持下训练时长会产生很大差异，这就是为什么使用高性能算力的显卡能够节省很多时间成本，而显存，当显存不足以装下模型和训练数据会导致训练过程出错中断，所以模型就影响了训练的持续性。

今天我们就是介绍下如何评估ai模型训练和推理阶段需要的gpu资源的分析，实际这个准确的gpu现存需求还是要根据实际情况进行二次评估和分析确认。

我们都知道模型有精度，这个精度表示模型速度存储到显存上所占用的空间长度，不同的精度占用的显存大小也是不一样的。

我们先来看看通常情况下模型精度的长度

除了以上精度以外，还有TF精度，它的优点是自动计算，占用显存更少，NVIDIA Ampere架构专用，TF32自动加速FP32计算，无需修改代码。

pytorch中可以适用简单代码检测是否支持TF32

import torch
torch.backends.cuda.matmul.allow_tf32

在实际使用中，还有使用混合精度存储，训练时用FP16加速计算，用FP32保存关键数据（如梯度），避免数值下溢/溢出，需要工具支持。

接下来我们就是简单评估一下deepseek R1 671B模型需要的显存大小，我们来大致计算下，计算出来的结果，我们需要使用的显存只能多不能少。

671*1000000000*2/(1024*1024*1024) ≈ 1250G，实际我们可以通过资料查询出来，671B的需要1500G左右。

当让上述算出来的1250G只是加载模型参数需要的显存大小，整个模型加载到显存，还有模型的梯度，优化器，激活值，喂给模型的训练数据，缓存等等。