一、推理：显存计算
推理的显存大头就是：参数量，参数类型版本一般有以下四种：
- float 32位 浮点数 4 字节
- half / BF16 16位 浮点数 2 字节
- int8 8位 整数 1 字节
- int4 4位 整数 0.5 字节
以 7B-BF16 版本为例，需要显存 = 数量 * 类型大小 = 70亿 * 2字节 = 140亿字节
所以 140亿 字节 = 14 * 1000 * 1000 * 1000 / 1024 / 1024 / 1024 = 14 * (1000 / 1024) ^3 = 14 * 0.93 = 13 GB
注1: (1000/1024)^3 = 0.93...
注2: 估算的话，干脆直接记 1就好了，也就是 7B-BF 就是 7 * 2 = 14 GB 的显存，因为除了参数，推理还需要另外的显存，溢出一点没坏处。
按估算，各个 llama2-13B 版本推理大概用到多少显存（假设存在对应类型）
7B参数的4种常见类型所需推理显存计算如下：
- float 7 * 4 = 28 GB
- half / BF16 7 * 2 = 14 GB
- int8 7 * 1 = 7 GB
- int4 7 * 0.5 = 3.5 GB
13B参数的4种常见类型所需推理显存计算如下：
- float 13 * 4 = 52 GB
- half / BF16 13 * 2 = 26 GB
- int8 13 * 1 = 13 GB
- int4 13 * 0.5 = 6.5 GB
二、训练：显存
为了让模型收敛，训练的参数类型不能是 int8 / int4；一般是 float，效果差点的 就用 BF16；
因为 反向传播 / Adam-优化 / Transformer架构 等因素，一般来说，训练需要的显存，是 同样规模 LLM 推理 的 3-4倍；
保守估计，按 4倍 计算。
例如：7B 训练需要的显存，估算结果：
参数类型 所需显存
float 7 * 4 * 4 = 112 GB
half / BF16 7 * 2 * 4 = 56 GB
梯度：参数量的1倍
优化器的状态：参数量的2倍
用 AdamW 优化器，需要2倍 参数量；
SGD 优化器，需要 1倍 参数量；
关于 LoRA / QLoRA 显存，以 LoRA 为例：
LoRA 只需要给原始模型做推理，训练一个更小的模型来实现和训练原始参数差不多的效果。
例：原本需要微调1024×512的参数，用了LoRA之后，如果选择的 Rank=8，则只需要微调这么多参数：1024×8+512×8
在这个基础上跑一次原始参数量的推理（不需要梯度和优化器状态，但仍然需要一些显存来存储运算过程的数据），合起来就是LoRA的所需要的显存。