震撼首发!!4GB显存单卡居然能跑70B大模型了!全新开源框架,封神操作!全开源_qwen70b

大语言模型需要消耗巨量的GPU内存。有可能一个单卡GPU跑推理吗？可以的话，最低多少显存？

70B大语言模型仅参数量就有130GB，仅仅把模型加载到GPU显卡里边就需要2台顶配100GB内存的A100。

进行推理时，还需要加载整个输入序列，在显存中进行复杂的“注意力”计算。这个注意力机制内存量是输入长度的平方级别的。在模型的130GB基础之上还需要大量的内存。

究竟是什么样的技术可以节省这么多的内存，甚至4GB单卡跑推理呢？

注意，这里的内存优化技术，不需要任何损失模型性能的量化和蒸馏，剪枝等模型压缩。

今天一文把各种大模型的极致内存优化关键技术讲清楚。

如果您是身家百卡的土豪，请自行跳过。。。

文章最后我们也开源了推理的代码，免费取用！

01

分层推理

最关键的一个技术是分层推理。其实就是计算机领域最基本的divide and conquer思路。

我们先来看一下大语言模型的模型架构。今天的大语言模型，都是采用Google在《Attention is all you need》论文中提出的Multi-head self-attention结构。也就是后来大家称为transformer的结构。

大语言模型开始是一个embedding投影层。这之后有80层结构完全相同的transformer层。最后是归一化和全连接层，预测输出token ID的概率。

执行推理的时候一层一层顺序执行。上一层的输出会作为下一层的输入。同一时间只有一层在执行。

因此完全没必要把模型的所有层维持在显存中。可以执行到哪一层的时候从硬盘加载哪一层，进行所有的计算。计算完成就可以把内存完全释放掉。

这样其实显存的需要模型上就仅仅是大约一层transformer的参数量，整个模型的1/80，大约1.6GB。

另外显存中还有一些模型的输出结果缓存，包括最大的是用来避免重复计算的KV cache。

做一个简单的计算，对于70B大模型，需要的kv cache缓存量约为：

2 * 序列长度 * 模型层数 * 注意力头数 * 向量维数 * 

序列长度为100时，这个缓存 = 2 * 100 * 80 * 8 * 128 * 2 = 30MB的显存。

根据我们的监控，推理过程全程不超过4GB的显存占用！

02

单层推理优化——flash attention

Flash attention可能是大语言模型发展到今天最重要，最关键的优化之一。

今天所有的各种大语言模型层出不穷，其实底层代码基本上变化不大，最大的一个改进就是flash attention。

flash attention的优化思想其实并不是首创的，要提到另一篇paper《Self-attention Does Not Need O(n^2) Memory》。

本来self attention机制是需要O(n^2)内存的。（n为序列长度）。

这篇论文提出其实我们并不需要保存O(n^2)个中间结果。可以序列执行，过程中不断更新一个中间结果，其他全部丢掉。可以把内存降低到O(logn)。

Flash attention本质上也是类似，内存复杂度其实略高，为O(n)，但是flash attention深度优化了cuda高速显存访问次数，从而可以数倍提升推理和训练速度。

如上图所示，本来原始的self attention计算保存O(n^2)的中间结果。flash attention把计算拆成很多小block，一个block一个block的计算，内存占用降低到一个block的大小。

03

模型文件拆解

原始的模型文件一般会分拆成若干块(shard)存储。每个shard常见的大小是10GB。

我们执行会按照transformer层进行执行。每层只有1.6GB。如果基于原始的shard大小，执行每一层都需要重新加载整个10GB文件，但只读取其中的1.6GB。

这个过程会浪费很多的内存加载和硬盘读取。而硬盘读取速度其实是整个推理过程最慢的瓶颈部分，我们希望尽量降低硬盘读取。

因此我们会首先将原始huggingface模型文件进行预处理，按照每一层拆解存储。

存储我们会用到safetensor技术(https://github.com/huggingface/safetensors)。

safetensor会保证存储格式和加载到内存中的数据格式尽量接近，另外会通过内存映射直接加载文件，保证模型加载速度最大化。

04

meta设备

实现过程我们使用了huggingface accelerate提供的meta device功能（https://huggingface.co/docs/accelerate/usage_guides/big_modeling）。

meta device是一种虚拟的设备。专门为运行超大规模的模型设计。当你通过meta device加载模型的时候，模型数据并没有真的被读取进来，而仅仅是代码加载了。内存占用为0。

你可以在运行的时候动态的把模型的一部分从meta device转换为真实设备如CPU或GPU。这时模型才真正加载到显存。

使用with init_empty_weights()就可以让模型通过meta device进行加载。

from accelerate import init_empty_weightswith init_empty_weights():    my_model = ModelClass(...)

05

开源代码

我们开源了全部代码——AirLLM。

可以在anima github中找到：https://github.com/lyogavin/Anima/tree/main/air_llm。

使用过程非常简单，首先安装package：

pip install airllm

然后就可以通过类似普通transformer模型的方式直接进行分层模型推理：​​​​​​​

from airllm import AirLLMLlama2
MAX_LENGTH = 128# could use hugging face model repo id:model = AirLLMLlama2("garage-bAInd/Platypus2-70B-instruct")
# or use model's local path...#model = AirLLMLlama2("/home/ubuntu/.cache/huggingface/hub/models--garage-bAInd--Platypus2-70B-instruct/snapshots/b585e74bcaae02e52665d9ac6d23f4d0dbc81a0f")
input_text = [        'What is the capital of United States?',    ]
input_tokens = model.tokenizer(input_text,    return_tensors="pt",     return_attention_mask=False,     truncation=True,     max_length=MAX_LENGTH,     padding=True)           generation_output = model.generate(    input_tokens['input_ids'].cuda(),     max_new_tokens=2,    use_cache=True,    return_dict_in_generate=True)
output = model.tokenizer.decode(generation_output.sequences[0])
print(output)

此代码我们在16GB显存的Nvidia T4 GPU测试通过。测试推理过程全程不超过4GB的显存占用。

注意，如果用比较低端的GPU，比如T4运行过程还是比较慢的。不太适合需要用户交互的场景，比如chatbot。比较适合一些离线的数据分析场景比如RAG，PDF分析之类的。

另外，目前仅支持Llam2内核的模型。如果有需要其他模型支持的可以评论留言！

06

训练可以单卡跑70B吗？

推理可以通过分层优化，那么训练可以类似的单卡跑吗？

看出来了，你是真穷。

因为推理的特点，每次执行下一层transformer的时候，仅仅需要上一层的输出，因此可以分层执行，仅保留有限的数据。

训练需要的数据则更多。训练过程需要首先计算前向传播，计算每一个层每一个tensor的输出结果。然后进行后向传播，计算每一个tensor的梯度。

梯度的计算需要保存之前前向的每一层，每一个tensor的结果，因此没办法通过分层执行的方法节省内存。

当然还有一些其他的技术，比如gradient checkpointing，可以达到比较类似的效果。

如果大家想了解怎么通过gradient checkpointing显著降低训练内存需求，可以在评论区留言告诉我们。

07

本文很多代码参考了kaggle社区的SIMJEG的代码：https://www.kaggle.com/code/simjeg/platypus2-70b-with-wikipedia-rag/notebook。感谢kaggle社区的参与者的贡献！

我们会持续开源分享AI领域最新最有效的新方法，新进展，为开源社区做贡献。请关注我们。