LMDeploy 量化 GLM4-9B 模型时的显存溢出问题分析

在 LMDeploy 项目中量化 GLM4-9B 模型时，用户遇到了 CUDA 显存溢出的问题。本文将深入分析这一问题的成因，并提供解决方案。

问题现象

当使用 LMDeploy 0.6.3 版本在配备双 T4 GPU(16GB×2)的环境中量化 GLM4-9B 模型时，系统仅使用了其中一块 GPU，导致在量化接近完成时出现显存溢出错误。具体表现为：

1. GPU0 利用率接近100%，而 GPU1 完全闲置
2. 量化过程中最大显存使用达到9.56GB
3. 最终在模型最后一层归一化操作时因显存不足而失败

原因分析

从错误日志可以看出几个关键点：

1. 单卡量化限制：默认情况下，LMDeploy 的量化工具不会自动利用多 GPU 资源，导致所有计算都集中在单个 GPU 上

2. 显存管理不足：量化过程中没有有效地释放中间结果占用的显存，导致显存碎片化

3. 模型规模问题：GLM4-9B 模型本身参数规模较大，量化过程需要同时加载原始模型和计算量化参数，对显存要求较高

解决方案

针对这一问题，可以采取以下几种解决方案：

1. 调整量化参数：

   • 减少校准样本数(calib-samples)
   • 缩短校准序列长度(calib-seqlen)
   • 降低批处理大小(batch-size)

2. 优化显存管理：

   • 设置环境变量 PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True 以减少显存碎片
   • 使用 torch.cuda.empty_cache() 定期清理缓存

3. 多 GPU 支持：

   • 虽然当前版本 LMDeploy 的量化工具不直接支持多 GPU，但可以考虑手动将模型不同层分配到不同 GPU 上

4. 硬件升级：

   • 使用显存更大的 GPU
   • 考虑使用 A100 等专业计算卡

最佳实践建议

对于 GLM4-9B 这类大模型的量化工作，建议：

1. 在量化前确保有足够的显存余量
2. 从较小的校准参数开始，逐步增加
3. 监控 GPU 使用情况，及时调整参数
4. 考虑使用云服务提供的更大显存实例

通过合理配置和优化，可以有效解决量化过程中的显存问题，顺利完成模型量化工作。