前言

傳統NLP模型比較小，只需要考慮compute bound的，但現在LLM模型很大了，基本上就是考驗memory bound的時代，這章將來介紹LLM與VRAM。

說到GPU就會想到NVIDIA，算力很高但VRAM給的很少，各位可以觀賞下面精闢的梗圖。跟GPU一樣，在剛開始學習時，也不知道要知道什麼知識，都是用到了再查，所以這邊也整理了一章關於LLM會用到VRAM需要的知識。

(圖源: reddit)

RAM和VRAM的區別

• 隨機存取記憶體 RAM (Random-Access Memory)
  RAM是電腦中可以讀寫的記憶體，跟唯獨記憶體 (ROM)一起構成主記憶體，負責與CPU交換資料，是一種揮發性記憶體，在電腦關機後就會遺失儲存資料。

• 視訊隨機存取記憶體 VRAM (Video Random-Access Memory)
  VRAM是GPU中使用的記憶體，也是揮發性的記憶體。與一般的RAM比較起來，可以提供更高的頻寬，所以可以讓GPU與它之間的資料傳輸速度更快，在任務運作上會有更好的性能。

LLM精度對應的VRAM大小

如果單純跑推理的話，最常見的估計方式是用Model Parameters和Precision做推算，在Day3的部分有提過。
這邊以13B LLM為例，FP16要大概兩倍的記憶體，13b就要26GB VRAM，剩下的以此類推。

但其實真正Local LLM要使用多少VRAM這部分還有其他影響條件的，關於12已經在Day3學過了，3-5則會在後續的章節提到。

1. Model Parameters - 模型的參數量需要被儲存，以及其計算產生的KV快取也是。
2. Precision - 使用較低的精度推理可以減少VRAM消耗。
3. Batch Size - 如果為了效率，設定越高的Batch Size需要更多VRAM來同時儲存更多輸入。
4. Context Length - 模型的上下文長度越大，Self-Attention計算時的矩陣也會越大，因此VRAM消耗越高。在ollama llama3-gradient的文件中提到，使用256k的context length，至少需要64GB以上的記憶體。
5. Optimization Techniques - 有些技術可以減少VRAM的需求，像是Flash Attention。

可以提供簡單的計算網站

目前最好用的還是這一個，印象中是從李宏毅yt某一堂課程看到的，即使是去年出的顯卡也有被列在上面，且網站上面引用的GPU比較清單、推理計算所需的記憶體部分都非常詳細。

https://huggingface.co/spaces/Vokturz/can-it-run-llm

我們在Day5講解過GPU的選擇，這邊可以直接看下面推理的部分。假設筆者很可憐，只有一張GeForce RTX 2080 Ti，我們可以看到如果用FP16或BF16的模型是沒辦法推理的，會花上16.77 GB，硬要跑的話會OOM。

但是如果是跑Int8量化的模型像是AWQ就可以囉！因為他只要花8.39 GB。

章節總結

在VRAM章節，我們簡單的複習了一下RAM和VRAM的差異，也介紹了LLM影響VRAM使用的幾個可能原因，並提供了簡單的計算網站搭配上一章選擇的GPU去做VRAM需求的估計。當然可能會有如果出現雖然有很多張GPU，每個VRAM無法完全裝下你的模型的狀況，但加起來是可以的，這個設定方法會在後面模型平行化運算的章節提到喔！

下一章將介紹台灣的超級電腦，以及雲端運算資源平台。

(圖源: facebook)

參考資料

Demystifying VRAM Requirements for LLM Inference: Why It Matters and How to Optimize
https://www.linkedin.com/pulse/demystifying-vram-requirements-llm-inference-why-how-ken-huang-cissp-rqqre/

Understanding VRAM and how Much Your LLM Needs
https://blog.runpod.io/understanding-vram-and-how-much-your-llm-needs/