大模型学习笔记 - LLM 之 attention 优化

LLM 注意力机制

LLM 注意力机制
- 1. 注意力机制类型概述
- 2.Group Query Attention
- 3.FlashAttention
- 4. PageAttention

1. 注意力机制类型概述

注意力机制最早来源于Transformer，Transformer中的注意力机制分为2种 Encoder中的全量注意力机制和 Decoder中的带mask的注意力机制。这两种注意力机制都是 MultiHeadAttention 由Key，Query, Value 三个矩阵组成。

由于经典的MHA的计算时间和缓存占用量都是O(n^2)级别的(n是序列长度)，这就意味着如果序列长度变成原来的 2 倍，显存占用量就是原来的 4 倍，计算时间也是原来的 4 倍。当然，假设并行核心数足够多的情况下，计算时间未必会增加到原来的 4 倍，但是显存的 4 倍却是实实在在的无可避免，这也是之前微调 Bert 的时候时不时就来个 OOM 的原因了。

所以不少工作致力于研究降低Attention的计算复杂度和缓存大小，从而使复杂度从O(n^2) 降低到O(nlogn) 甚至O(n).

稀疏attention: SparseAttention,Longformer
- Reformer,Linformer：
- Linear Attention 思想： $QK^t$ 这一步我们得到一个nn的矩阵，就是这一步决定了Attention的复杂度是O(n^2)；如果没有Softmax，那么就是三个矩阵连乘 $QK^{t}V$ ,而矩阵乘法是满足结合率的，所以我们可以先算 $K^{t}V$ ，得到矩阵dd，然后再用Q左乘它，由于d<<n,所以这样算大致的复杂度只有O(n)(就是Q左乘的那一步占主导)。也就说，去掉softmax的Attention的复杂度可以降低到最理想的线性级别。这显然是我们的终极追求：Linear Attention，复杂度为线性级别的Attention.

优化计算量和缓存后，LLM时代，推理速度加速的成为一个问题，于是针对推理慢的开始进行如下优化：

IO传输瓶颈：斯坦福团队发现影响推理速度的瓶颈不在于计算量，而是IO传输。于是提出了减少IO传输的FlashAttention 1/2/3. FlashAttention论文的目标是尽可能高效地使用SRAM来加快计算速度。
GPU显存瓶颈：研究人眼引入了 PagedAttention，这是一种受操作系统中虚拟内存和分页经典思想启发的注意力算法。与传统的注意力算法不同，PagedAttention 允许在非连续的内存空间中存储连续的 key 和 value 。具体来说，PagedAttention 将每个序列的 KV cache 划分为块，每个块包含固定数量 token 的键和值。在注意力计算期间，PagedAttention 内核可以有效地识别和获取这些块。
减少推理缓存： **GQA(group query attention)**分组注意力机制，在MQA基础上，增加多组Key,Value(但是不是全量)，每个head独立拥有Query。

2.Group Query Attention

在自回归解码的标准做法是缓存序列中先前标记的键(K)和值(V) 对，从而加快注意力计算速度。然而，随着上下文窗口或批量大小的增加，多头注意力 (MHA)模型中与 KV 缓存大小相关的内存成本显着增长，所以随着上下文窗口增加，KV缓存大小成为瓶颈，为了扩展上下文，减少注意力机制的计算量和缓存大小，从而研究者开始对全量注意力机制的优化进行研究，目前主流的注意力机制主要分为3种：

MHA(multi-head attention)全量注意力机制，每个head 独立拥有K Q V。
MQA(multi-query attention)多查询注意力机制，多个head共享1组Key,Value，每个head独立拥有Query。
1. 由于只是用一个 key 和value，大大加快解码推断的速度，但是可能导致质量下降。
2. 目前ChatGLM2-6B使用的是这个
GQA(group query attention)分组注意力机制，在MQA基础上，增加多组Key,Value(但是不是全量)，每个head独立拥有Query。
1. LLaMA2 和 Mistral采用的是这个。
2. 属于1和2的折中，KV个数在1-head 中间.
3. GQA 变体在大多数评估任务上的表现与 MHA 基线相当，并且平均优于 MQA 变体

在这里插入图片描述