llama2-7b模型用单机2张卡跑不动报内存不够，2个节点，8张卡（每个节点4卡）也跑不动，这个正常吗？（配置：A800*8张卡*80G）

[alibaba]

llama2-7b模型用单机2张卡跑不动报内存不够，2个节点，8张卡（每个节点4卡）也跑不动，这个正常吗？（配置：A800*8张卡*80G）

[li-yi-dong]

可以看看你启动训练的配置吗？

可以看看megatron 对配置的说明，--finetune 只是在加载checkpoint 时，仅加载模型，不加载optimizer 等。

[13416157913]

以下脚本内容是这边配置，单机4张卡可以正常运行：
#!/bin/bash

DATASET_1="/xxx/Megatron-LLaMA/corpus_indexed/corpus_indexed_text_document"
DATASET_2="/xxx/Megatron-LLaMA/corpus_indexed/corpus_indexed_text_document"
DATASET_3="/xxx/Megatron-LLaMA/corpus_indexed/corpus_indexed_text_document"
DATASET="1.0 ${DATASET_1}"

TP_SIZE=2
PP_SIZE=1
WORLD_SIZE=8
MICRO_BATCH_SIZE=4

The int is the number of micro steps of gradient accumulation

GLOBAL_BATCH_SIZE=$((($WORLD_SIZE * $MICRO_BATCH_SIZE) / ($TP_SIZE * $PP_SIZE) * 8))

GLOBAL_BATCH_SIZE=128

JOB_NAME="LLaMA_tp${TP_SIZE}_pp${PP_SIZE}_mbs${MICRO_BATCH_SIZE}_gpus${WORLD_SIZE}"

LOAD_CHECKPOINT_PATH="/xxx/megatron-llama-2-7b-checkpoint"
SAVE_CHECKPOINT_PATH="/xxx/megatron-llama-2-7b-checkpoint"
TOKENIZER_PATH="/xxx/megatron-llama-2-7b-checkpoint"
TENSORBOARD_DIR="/xxx/Megatron-LLaMA/tensorboard_dir"

TRAIN_ITERS=4000
EVAL_ITERS=10
EVAL_INTERVAL=4000
SAVE_INTERVAL=4000
LOG_INTERVAL=1

Setting --tensorboard-queue-size to 1 significantly slows down the training

options="
--finetune
--sequence-parallel
--tensor-model-parallel-size ${TP_SIZE}
--pipeline-model-parallel-size ${PP_SIZE}
--num-layers 32
--hidden-size 4096
--num-attention-heads 32
--seq-length 2048
--max-position-embeddings 4096
--no-position-embedding
--use-rotary-position-embeddings
--swiglu
--ffn-hidden-size 11008
--disable-bias-linear
--RMSNorm
--layernorm-epsilon 1e-6
--causal-lm
--tokenizer-type PretrainedFromHF
--tokenizer-name-or-path $TOKENIZER_PATH
--make-vocab-size-divisible-by 1
--init-method-std 0.01
--micro-batch-size ${MICRO_BATCH_SIZE}
--global-batch-size ${GLOBAL_BATCH_SIZE}
--train-iters ${TRAIN_ITERS}
--lr 6.0e-5
--lr-decay-iters 10
--lr-warmup-iters 5
--min-lr 6.0e-6
--override-opt_param-scheduler
--lr-decay-style cosine
--adam-beta1 0.9
--adam-beta2 0.95
--clip-grad 1.0
--weight-decay 0.1
--overlapped-distributed-optimizer
--reduce-bucket-size=2e8
--no-gradient-accumulation-fusion
--dataloader-type cyclic
--data-impl mmap
--data-path ${DATASET}
--split 98,2,0
--eval-interval ${EVAL_INTERVAL}
--eval-iters ${EVAL_ITERS}
--save-interval ${SAVE_INTERVAL}
--save ${SAVE_CHECKPOINT_PATH}
--load ${LOAD_CHECKPOINT_PATH}
--no-load-optim
--log-interval ${LOG_INTERVAL}
--tensorboard-dir ${TENSORBOARD_DIR}
--tensorboard-queue-size 1000
--log-timers-to-tensorboard
--log-batch-size-to-tensorboard
--log-validation-ppl-to-tensorboard
--job-name ${JOB_NAME}
--bf16
--recompute-activations
--recompute-granularity selective
--use-flash-attn
"

export CUDA_VISIBLE_DEVICES=4,5,6,7
torchrun --nproc_per_node=4 --master_port=29501 pretrain_llama.py ${options}

[li-yi-dong]

分布式的optimizer 随着数据并行增大，占用的显存会变小。

TP2，两卡的时候没有数据并行，optimizer 也无法并行，将占用（7B/2）x4x3 = 42GB 显存。

80GB 的显存7B 模型应该可以不使用TP。如果只有一台8卡机器，建议使用megatron 原生optimizer，训练速度可能会快一些。

另外，我们没有实际跑过7B 的模型，欢迎你提交个PR，分享下7B 模型的训练。

[13416157913]

为什么我用单机4卡运行时的GPU内存占用是75G左右显存？不是你计算的42GB显存
| 4 N/A N/A 4037835 C .../anaconda3/bin/python 75721MiB |
| 5 N/A N/A 4037836 C .../anaconda3/bin/python 76173MiB |
| 6 N/A N/A 4037837 C .../anaconda3/bin/python 75891MiB |
| 7 N/A N/A 4037838 C .../anaconda3/bin/python 76087MiB |

[13416157913]

TP2，两卡的时候没有数据并行，optimizer 也无法并行，将占用（7B/2）x4x3 = 42GB 显存。
@li-yi-dong 请问这个计算公式是怎么得来的？(7B/2)：是不是表示模型并行度为2，所以要除以2；但是后面43是代表什么意思？
*4：是表示全精度占用4个字符么，所以要乘以4？（可是脚本中设置了半精度--bf=16）
*3：不理解！！！！
@li-yi-dong 能否分享一下计算公式原理？