部署大模型需要多少GPU显存？以DeepSeek R1部署为例

引言

部署大型语言模型（LLM）时究竟需要多少GPU显存？本文将进行一次简单测算。

如何计算

算法1

可以用一个简单的公式来计算显存占用（单位GB）：

参数说明如下：

符号	含义
M	所需的 GPU 显存，以 GB 为单位
P	模型的参数数量，例如 7B 模型有 70 亿个参数
4B	每个参数占用 4 字节（float32）
32	4 字节等于 32 位
Q	加载模型时使用的位数，例如 16 位、8 位或 4 位
1.2	表示额外 20% 的显存开销，用于加载其他内容，粗略估计也可以不加这个系数

从另一个角度

不同量化精度下显存占用计算方法。 模型的参数量决定了其基础大小，而量化精度（如FP16、INT8、INT4）则影响每个参数所占用的存储空间。通过降低量化精度，可以显著减少模型的显存和内存占用，但可能会对模型性能产生一定影响。以下是不同量化精度下，每个参数的存储需求：

• FP16（16位浮点） ：每个参数占用 2 字节。

• INT8（8位整数） ：每个参数占用 1 字节。

• INT4（4位整数） ：每个参数占用 0.5 字节。

从这个角度来看算法1中的公式，其实可以写成：

其中 P 表示参数量，(Q / 32) *4表示量化之后每个参数占用的字节数。这种方式其实会更好理解。

示例

示例1：部署 Llama 70B 所需的 GPU 显存

我们以 Llama 70B 模型为例，假设使用 16 位精度加载。

模型参数数量为 70B（即 700 亿个参数）。

计算如下：

需要 168 GB 显存。

也就是说，一块 NVIDIA A100 80GB 显然不够，但使用 2 块 A100 80GB 可以满足需求（在 16 位精度下部署 Llama 2 70B）。

如何进一步减少 Llama 2 70B 的 GPU 显存占用？

量化（Quantization） 是一种减少显存占用的方法。它通过将模型参数从浮点数（如 FP32）转换为低位整数（如 int8），从而显著减少内存和计算资源的需求。

这使得模型可以更高效地部署，尤其适合资源受限的设备。但需要注意的是，精度降低可能会影响模型表现，因此应用时需权衡。

通常，8 位量化可实现与 16 位相近的性能，而 4 位量化可能会对模型性能产生明显影响。

示例：使用 4 位量化部署 Llama 2 70B

我们再次用公式计算：

仅需约 42GB 显存。

这意味着你可以使用 两块 L4 24GB GPU 来部署 Llama 2 70B（使用 4 位量化）。

示例2：部署DeepSeek R1

官方开源的https://huggingface.co/deepseek-ai/DeepSeek-R1 模型参数量为 671B，BF16数据格式。 可以大概估计显存占用(暂时忽略1.2系数)：

加载满血版R1 需要 1342 GB 显存。需要>16张A100-80GB。