AI大模型训练相关参数如何估算？有这一篇就够了

原创最新推荐文章于 2026-05-30 08:15:23 发布 5.6k 阅读 AI写同款

AI_小站

6255粉丝1151篇原创

关注

大模型参数量内存占用计算方法详解：从推理到训练的全面分析 28,000,000,000 字节 ÷ 1024 ÷ 1024 ÷ 1024 ≈ 26.1 GB。52000000000 字节 ÷ 1024 ÷ 1024 ÷ 1024 ≈ 48.3 GB。7,000,000,000 x 4 = 28,000,000,000 字节。13000000000 x 4 = 52000000000 字节。通过实验证明上述方法计算是正确的。阅读详情

AI摘要

本文介绍了大模型训练相关参数的估算方法，包括模型参数量、计算量、训练时间、所需CPU数量和显存需求等。还探讨了模型参数量与训练数据量的关系，以及大模型训练面临的算力、显存和通信瓶颈。最后分享了全套AGI大模型学习路线、报告合集、经典PDF籍和商业化落地方案等学习资料。

随着大模型时代的到来，模型参数量、训练数据量、计算量等各方面急剧增长。参数规模方面，在过去的几年里，语言模型的参数规模从数亿增长到数千亿，甚至达到万亿级别。例如OpenAI的GPT-3拥有175B参数，而GPT MoE参数规模到达了1.8T；数据量方面，训练一个大模型通常需要达到T级别tokens；另外，由于参数规模和数据量庞大，随之带来的是巨大的计算量。那么如何对大模型中的各种参数（如模型参数量、计算量、训练时长、训练所需CPU数量、显存大小等）进行估算呢，闲言少叙，我们直接给出各种参数估算的依据或公式，仅供大家参考！

大模型训练相关参数估算

1.模型参数量计算

模型涉及的各种参数如下：

P：参数量

L：模型层数

h：隐藏层维度

V：词表大小

L层Transformer模型可训练参数量为L ( 12h² + 13h ) + Vh，当隐藏层维度h较大时，可忽略一次项，模型参数量可以近似为：

P ≈ 12 * L * h²。

因此，可估算不同版本LLama模型参数量，如下表所示：

以GPT-3 175B模型架构为例，模型层数为96，隐藏层维度为12288，估算模型模型参数P ≈ 12 * L * h² = 174B，与模型给定参数基本一致。

2.计算量估算

可以近似的认为，在一次前向传递中，每个token，每个模型参数，需要进行2次浮点数运算，即一次乘法运算和一次加法运算。一次训练迭代包含了前向传递和后向传递，后向传递的计算量是前向传递的2倍，因此，在一次训练迭代中，对于每个token，每个模型参数，需要进行2 x 3 = 6次浮点数运算。

我们以GPT3-175B模型训练为例，对于GPT3，每个token，每个参数进行了6次浮点数运算，再乘以参数量以及总token数就得到了总的计算量。GPT3的模型参数量为 174.6B，训练数据量为300B tokens。

所以，

GPT3训练的总计算量 = 6 x token数 x 模型参数量 = 6 x 174.6 x 10****9 x 300 x 109= 3.1428 x 1023 Flops

注：为方便计算，后面GPT3的模型参数量均按175B计算。

使用激活重计算技术可以用来减少中间激活显存，需要进行一次额外的前向传递，因此，在开激活重计算时，相当于有2次前向传递和1次后向传递（后向传递的计算量是前向传递的2倍），使用激活重计算的一次训练迭代中，对于每个token，每个模型参数，需要进行2 x 4 = 8次浮点数运算。在给定训练token数、硬件环境配置的情况下，

训练的总计算量= 8 x token数 x 模型参数量

3.训练时间估算

针对文本大模型AI训练侧算力存在如下对应关系：

因此，可以得出：

以GPT3-175B为例，假设有1024张40GB显存的A100，在300B tokens的数据上训练175B参数，A100的峰值性能为312TFlops，设GPU利用率为0.45（在百卡以上集群，GPU利用率约为30%~50%），则所需要的训练时间为34天。

训练时长 = ( 8 x 175 x 109 x 300 x 109) / (1024 x 312 x 1012 x 0.45) ≈ 2921340秒 ≈ 34天

4.训练所需CPU数量的估算

由前面AI训练侧算力供需关系模型，可以看出，在模型参数、预训练数据量一定的情况下，对于给定型号的GPU，训练时长越短，所需的GPU数量就越多，建设成本也就越高；反过来，GPU数量越少，训练时长也会拉长，等待成本也就越高。比较理想的情况就是，尽量提升GPU的峰值性能（如从英伟达A100到H100，再到B100，峰值性能从312TFlops到990TFlops，再到2250TFlops）、提升GPU利用率，然后在GPU数量和训练时长之间找一个平衡点。

以GPT3-175B为例，在300B tokens的数据上训练175B参数量的GPT3，40GB显存A100的峰值性能为312TFlops，设GPU利用率为0.45，期望30天完成（训练时长2592000秒）

则需要的A100的数量= (8 x 175 x 109 x 300 x 109) / (2592000 x 312 x 1012x 0.45) ≈ 1154块

5.显存需求估算

显存需求主要取决于参数量和精度。显存需求分为推理显存需求和训练显存需求。

推理显存估算

推理期间使用显存的主要是模型参数量，其它因素主要是前向计算开销，通常是模型参数权重的20%左右（经验估算），因此，推理显存公式如下：

推理显存 ≈ 1.2 x 模型参数量 x 精度（通常为2或4个字节）

训练显存估算

在训练神经网络的过程中，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，在一次训练迭代中，每个可训练模型参数都会对应1个梯度，并对应2个优化器状态（Adam优化器梯度的一阶动量和二阶动量）。设模型参数量为A，那么梯度的元素数量为A，AdamW优化器的元素数量为2A。在混合精度训练中，会使用float16的模型参数进行前向传递和后向传递，计算得到float16的梯度；在优化器更新模型参数时，会使用float32的优化器状态、float32的梯度、float32的模型参数来更新模型参数。因此，对于每个可训练模型参数，占用了(2+4)+(2+4)+(4+4) = 20bytes，使用AdamW优化器和混合精度训练来训练参数量为A的大模型，模型参数、梯度和优化器状态占用的显存大小为20Abytes。

训练显存 ≈ 20 x 模型参数量（字节）

以GPT-3的175B亿参数为例，推理显存估算约840GB的显存空间；训练显存估算约3500GB。

这与微软和英伟达给出的大模型状态显存估算一致，单个模型副本中每个参数量大约需要20倍于自身大小的空间占用，即至少需要3500GB的显存空间占用，而目前主流算力卡如A100、H100只有80GB的显存空间，所以，至少需要44块80GB显存的GPU才能放下一个模型副本。由于算力需求巨大，整个系统会有多个模型副本，因此，总的显存占用是很夸张的。此外，模型训练时，还需要保存激活值用于反向传播，激活值也将额外占用很大一部分空间。

模型参数量与训练数据量

在大模型训练中，模型基础能力取决于训练数据量、模型参数量和算力。模型参数量越大、投入的训练数据越大，模型泛化能力越强（所谓泛化能力是指模型算法对于没有见过的样本的识别能力，可以理解为举一反三或是学以致用的能力，或者说适用性、准确性）。

但是，由于资源的限制，两者不大可能兼顾，OpenAI的研究结论是：与增加训练数据量相比，先增大模型参数量受益则会更好，用一千亿的模型训练两千亿的token和两千亿模型训练一千亿的token，后者的模型泛化能力会更高。

模型参数越多，模型能够捕捉到的数据特征和规律就越多，也就能够处理更加复杂的问题，当模型参数量增长超过一定阈值，模型能力表现出跃迁式的提升，表现出来语言理解能力、生成能力、逻辑推理能力等能力的显著提升，也就是通常所说的模型的涌现能力。百亿参数是模型具备涌现能力的门槛，千亿参数的模型具备较好的涌现能力。

模型规模一定的情况下，增加训练数据，也可以增加模型泛化能力，比如GPT-3的每个参数只训练1~ 2个token，DeepMind的研究表明，如果把一个大模型训练充分，需要把每个参数量训练20个token。也就是说，当前的很多千亿规模的大模型还需要用10倍左右数据进行训练，模型性能才能达到比较好的水平。

大模型训练面临的瓶颈

在Transformer及大语言模型（LLMs）出现前，绝大部分的AI模型训练和推理，对算力、显存等硬件资源要求不高，使用单机CPU/GPU或分布式小集群即可满足需求，但是大语言模型的出现，让算力、显存、通信等方面均面临巨大的压力：

算力瓶颈

进行大模型训练时，每输入一个token，整个模型中的每个参数上就要进行6~8次的浮点数运算，按本文前面的计算，如果以300B tokens的数据集来训练一个175B的GPT3模型，那么GPT3训练的总计算量达3.1428 x 1023Flops，而A100单卡算力只有312TFlops，不考虑单卡在集群中的性能折损，至少需要32年才能完成。假如希望在30天内完成训练，最简单粗暴的计算算法也需要384张卡（32 * 12 = 384张卡）才能完成，而实际上考虑集群配合、GPU利用率等因素，至少需要千卡规模才能在30天内完成。

显存瓶颈

大模型训练中，显存压力非常大。以GPT-3的175B亿参数为例，前面计算得出的结果，训练显存估算约3500GB，A100、H100只有80GB的显存空间，所以，至少需要44块GPU才能放一个模型副本。

通信瓶颈

由于大模型训练&推理通常都不能在单卡进行，所以我们需要多算力卡构成集群，不可避免的就存在服务器机内和机间通信，各计算单元需要频繁参数同步，通信性能将影响整体计算速度，如果通信瓶颈处理的不好，很可能导致集群规模越大，训练效率反而会降低。我们还是以GPT-3为例，一轮迭代时间在10_{30秒，一轮迭代内，一个GPU的TP通信量在500GB左右，单个GPU对外网络是200Gbps，超节点内网络（假如使用NVLink4）带宽450GB/s=3600Gbps，此时，TP通信使用机外网络和超节点内网络耗时分别为20秒和1.1秒，相比于迭代的10}30秒而言，TP通信如果使用机外网络，通信时长的影响会非常的大，通信瓶颈成为不得不考虑的因素之一。