一、白话入门：先搞懂"显存都花在哪了"
对小白来说，先不用记公式，核心先理解：训练7B模型+AdamW时，显存不是只存"模型参数"，而是要存4类东西，其中AdamW的优化器状态是最大头：
| 显存占用项 | 白话解释 | 占比/量级 |
|---|---|---|
| AdamW优化器状态（核心） | 给每个参数记2个"账本"： ✅ m：记录参数"历史更新速度"（一阶动量） ✅ v：记录参数"历史更新速度的平方"（二阶动量） （为保证精度，这两个账本必须用FP32存储） | 最大头（≈56GB） |
| 模型参数本身 | 7B模型的核心权重（训练常用FP16半精度，比FP32省一半显存） | ≈14GB（FP16） |
| 梯度（Gradient） | 反向传播时计算的"参数调整方向"，精度和模型参数一致 | ≈14GB（FP16） |
| 临时计算张量 | 前向/反向传播的中间结果（比如注意力矩阵），峰值时会叠加占用 | 5~15GB |
二、基础计算：不同场景下的峰值显存（小白必记）
先给结论：无任何优化的纯全量微调，7B+AdamW的理论峰值显存≈80~90GB（单卡）；但实际训练中用了优化技巧，峰值会大幅降低。
1. 纯理论值（无任何优化，FP16训练）
核心三项相加（优化器状态+模型参数+梯度）：
56GB（AdamW） + 14GB（模型） + 14GB（梯度） = 84GB
再加上临时张量（5~15GB），总峰值≈89 ~99GB（几乎没有单卡能满足）。
2. 实际训练值（带常用优化，小白最需要）
工业界训练7B模型一定会用以下显存优化技巧，最终峰值如下：
| 训练配置 | 单卡峰值显存 | 适用硬件 |
|---|---|---|
| FP16 + 梯度检查点 | 40~50GB | A100（80GB）单卡 |
| FP16 + 梯度检查点 + ZeRO-1 | 30~35GB | 主流配置（4卡3090也能训） |
| FP16 + 梯度检查点 + ZeRO-2 | 20~25GB | RTX 3090（24GB）单卡 |
| 加LoRA（低秩适配） | 10~15GB | RTX 4090（24GB）单卡 |
补充：梯度检查点是"牺牲一点速度换显存"，删掉大部分临时张量；ZeRO是分布式优化，把优化器状态/梯度分到多卡，是训大模型的标配。
三、进阶细节：小白容易踩坑的点
-
为什么AdamW比SGD显存多？
SGD（随机梯度下降）只存"模型参数+梯度"，7B FP16训练SGD峰值≈30GB；而AdamW多了56GB的优化器状态，显存直接翻倍------这也是AdamW虽然效果好，但显存成本高的原因。
-
峰值显存不是"简单相加"
峰值出现在"反向传播结束、更新参数前"，此时模型参数、梯度、AdamW状态、临时张量同时占用显存；更新参数后，梯度会被释放，显存会下降10~20GB。
-
精度对显存的影响
- 模型参数：FP32（单精度）是FP16的2倍（7B FP32≈28GB）；
- AdamW状态：不管模型用啥精度，都必须用FP32（改不了，改了会丢精度）。
总结
- 7B+AdamW的理论峰值显存（无优化）≈ 80 ~ 90GB，但实际训练中用梯度检查点/ZeRO等优化后，峰值可降到20~40GB；
- AdamW的显存大头是优化器状态（56GB FP32），这是它比其他优化器显存高的核心原因；
- 新手训练7B模型，优先用"FP16+梯度检查点+ZeRO-1/LoRA"，能大幅降低显存需求（单卡10~35GB即可）。