大模型对显卡资源的需求极为庞大，这一点在人工智能领域内已广为人知。然而，对于具体的显存消耗量以及运行大型模型所需的资源规模，人们普遍感到好奇和关注。

我们可以知道transformers的模型参数量为

其中l为模型的层数，h为隐藏层的维度，V为词表的大小。

当模型足够大时，模型参数量近似为

但是推理和微调需要用的显存，常更加难以计算。占用显存的大头主要分为四部分：模型参数、前向计算过程中产生的中间激活、后向传递计算得到的梯度、优化器状态。训练大模型时通常会采用AdamW优化器，并用混合精度训练来加速训练，基于这个前提分析显存占用。根据经验和粗略估计，一般参数量为1X的大模型，全参数训练/微调占用显存约为8X bytes，推理所需显存约为2X bytes。

与此同时，HuggingFace的官方库Accelerate推出了一款创新工具——Model Memory Calculator，它是一个在线估算工具，能够直接为用户提供在HuggingFace平台上托管的模型的显存需求预估。

https://huggingface.co/spaces/hf-accelerate/model-memory-usage

Memory Calculator是由HuggingFace的Accelerate团队开发的在线工具，用户只需输入HuggingFace平台上的模型链接，工具便能够迅速计算出该模型在运行过程中所需的显存大小，包括进行推理操作以及采用Adam算法进行训练时的显存需求。除了支持huggingface库的模型，也还支持timm中的视觉模型。

然而，这种估算方法并非简单地基于最大层级参数进行计算。根据官方说明，Model Memory Calculator提供的结果与实际显存需求之间的误差通常在50MB以内（例如，对于bert-base-cased模型，实际运行需要的显存为413.68MB，而工具估算的结果为413.18MB）。这表明，该工具在实际应用中能够提供相当精确的显存需求预估，为用户在部署和训练大型模型时提供了极大的便利。

Mistrial模型的预估结果：

实测Mistrial-7B推理所需显存：

Mistrial-MOE模型的结果：

总结：

7B左右的模型，在最常见的fp16推理需要约16-20GB显存，在AdamW使用fp16/bf16训练时需要约55-60GB显存。

模型参数规模X B时，一般推理需要2-3X GB的显存，而训练则需要8-10X GB的推理显存。

1212�

点击?关注 “思源数据科学”

?点个“赞”和“在看”吧