现在AI领域的主流模型几乎都是Transformer网络架构衍生而来。大热的LLM中的生成类模型很多都是来自于Transformer的变体，即decoder only架构。而GPT就是该类中的经典模型。尽管现在变体甚多，但大多没有根本性地改变其套路。
为了阐述方便，首先约定一些符号：
| 符号 | 含义 |
|---|---|
| b | Batch size |
| L | Transformer layer层数 |
| s | Sequence length |
| n | Attention head个数 |
| h | Hidden size，或embedding dim |
| d | 每个head的hidden size，与前两者有关系 h = n d h = n d h=nd |
| V | Vocabulary size |
| P | 最大sequence length |
在模型的优化时，我们经常需要一些信息，诸如特定配置的模型计算需要多少compute与memory资源，计算与数据传输大概需要多长时间等。这就要求我们对网络中的一些量（如参数量，计算量，内存使用量等）进行一些粗略估计。基于这些估计，还可以得到这些量之间的大致关系。如一个transformer layer的参数量约为 12 h 2 + 13 h 12 h ^ 2 + 13 h 12h2+13h，计算量约为 24 b s h 2 + 4 b h s 2 24 b s h^2 + 4 b h s^2 24bsh2+4bhs2。这意味着，在 h h h远大于 s s s的情况下，计算量与参数量大约是两倍关系。而Backward的计算量又约是Forward计算量的两倍（因需要对输入与权重都计算梯度）。由于transformer layer是网络中参数量（除embedding外）与计算量的主要贡献者。因此，计算量与除embedding外参数量之间有那个著名的公式 C ≈ 6 N C \approx 6 N C≈6N。
但是，诸如这些都是general的结论。实际使用时，我们会碰到各种网络变体，各种配置或各种跑法，另外还可能需要回答一些更细节具体的问题，比如KV Cache节省了多少计算量，需要额外占用多少memory，把某层分布式计算需要增加多少通信量，或者MQA/GQA相比传统的MHA可以节省多少memory等等。而只有了解了那些估计是怎么来的，才能够更加灵活地运用。
下面以经典的GPT2模型为例，在其网络结构上标注了各操作的shape，并进行参数量和计算量估计。
Prefill阶段：
Generation阶段：
