显存爆了？大模型内存优化三板斧，实测减半不降速 🚀

兄弟们，最近搞Llama2-13B部署，单卡A100总显存吃满还报OOM？别急着加卡，这几个骚操作实测能省40%-60%显存。

第一招：量化剪枝。FP16转INT8/INT4，权重直接砍半。用bitsandbytes或GPTQ，模型精度掉不到1个点，输出质量基本不变。但注意量化后要校准数据集，否则某些任务崩得妈都不认。

第二招：梯度重计算。训练时把中间激活值扔掉，反向传播再重新算。显存占用从O(n)降到O(1)，但训练时间增加15%-20%。适合单卡穷玩党，土豪无视。

第三招：FlashAttention。这玩意儿把注意力矩阵分块计算，省掉O(n²)内存。HuggingFace 4.36以上直接支持，效果立竿见影。配合vLLM搞推理，吞吐能翻倍。

以上三板斧全上，13B模型能在24G卡上跑出16K上下文。别问我怎么知道的，刚踩完坑。

提问：你们遇到的最大显存瓶颈是哪个环节？是层数太深、序列太长，还是优化器状态？评论区聊聊。

第三招FlashAttention确实香，我试过把13B的batch size从4直接拉到8，显存少了一半还不掉速。不过兄弟你量化校准集用的啥？我上次拿C4整，代码生成任务直接崩了 😂

FlashAttention确实牛逼，我试过16K长文本直接干到32K，显存还降了40% 👍 量化校准集我踩过坑，建议用下游任务的数据混合一下，纯C4对代码类任务确实拉胯。