一年時(shí)間，斯坦福大學(xué)提出的新型 Attention 算法 ——FlashAttention 完成了進(jìn)化。這次在算法、并行化和工作分區(qū)等方面都有了顯著改進(jìn)，對(duì)大模型的適用性也更強(qiáng)了。

近來，幾種長(zhǎng)上下文語(yǔ)言模型陸續(xù)問世，包括 GPT-4（上下文長(zhǎng)度為 32k）、MosaicML 的 MPT（上下文長(zhǎng)度為 65k）Anthropic 的 Claude（上下文長(zhǎng)度為 100k）。長(zhǎng)文檔查詢和故事寫作等新興用例已經(jīng)表明擴(kuò)展語(yǔ)言模型上下文窗口是非常必要的。

然而，擴(kuò)大 Transformer 的上下文長(zhǎng)度是一個(gè)挑戰(zhàn)，因?yàn)槠浜诵牡淖⒁饬釉跁r(shí)間復(fù)雜度和空間復(fù)雜度與輸入序列長(zhǎng)度的平方成正比。

一年前，來自斯坦福大學(xué)、紐約州立大學(xué)布法羅分校的研究者共同提出一種快速、內(nèi)存高效的注意力算法 ——FlashAttention。該算法無需任何近似即可加速注意力并減少內(nèi)存占用?，F(xiàn)在，已經(jīng)有許多機(jī)構(gòu)和研究實(shí)驗(yàn)室采用 FlashAttention 來加速訓(xùn)練和推理。

FlashAttention 示意圖

盡管 FlashAttention 的速度已經(jīng)是優(yōu)化基線的 2-4 倍，但它仍然有相當(dāng)大的改進(jìn)空間。FlashAttention 仍然不如優(yōu)化過的矩陣乘法 (GEMM) 運(yùn)算快，僅達(dá)到理論最大 FLOPs/s 的 25-40%。

現(xiàn)在，研究團(tuán)隊(duì)宣布推出 FlashAttention-2。FlashAttention-2 完全從頭開始重寫，使用 Nvidia 的 CUTLASS 3.x 及其核心庫(kù) CuTe 的原語(yǔ)（primitive）。

FlashAttention-2 開發(fā)者 Tri Dao。他是斯坦福大學(xué)博士生，還是 Together.AI 首席科學(xué)家，并將于 2024 年 9 月開始任職普林斯頓大學(xué)計(jì)算機(jī)科學(xué)助理教授。

FlashAttention-2 的速度是 FlashAttention 的 2 倍，在 A100 GPU 上達(dá)到 230 TFLOPs/s。在端到端訓(xùn)練 GPT 類語(yǔ)言模型時(shí)，F(xiàn)lashAttention-2 可讓訓(xùn)練速度高達(dá) 225 TFLOPs/s（模型 FLOP 利用率為 72%）。

FlashAttention-2 將加速現(xiàn)有模型的訓(xùn)練、微調(diào)和推理。這意味著我們可以用相同成本訓(xùn)練 2 倍上下文長(zhǎng)度的語(yǔ)言模型。這將有助于語(yǔ)言模型理解長(zhǎng)篇書籍和報(bào)告、高分辨率圖像、音頻和視頻。

FlashAttention 是什么？

FlashAttention 是一種重新排序注意力計(jì)算的算法，它利用平鋪、重計(jì)算等經(jīng)典技術(shù)來顯著提升計(jì)算速度，并將序列長(zhǎng)度中的內(nèi)存使用實(shí)現(xiàn)從二次到線性減少。其中平鋪意味著將輸入塊從 HBM（GPU 內(nèi)存）加載到 SRAM（快速緩存），并對(duì)該塊執(zhí)行注意力操作，更新 HBM 中的輸出。

此外通過不將大型中間注意力矩陣寫入 HBM，內(nèi)存讀寫量減少，帶來了 2-4 倍的時(shí)鐘時(shí)間加速。

下圖為 FlashAttention 的前向傳遞圖：通過平鋪和 softmax 重新縮放，研究者按塊進(jìn)行操作，避免從 HBM 中讀取 / 寫入，同時(shí)獲得正確的輸出，無需近似操作。

然而，F(xiàn)lashAttention 仍然存在一些低效率問題，原因在于不同線程塊之間的工作分區(qū)不理想以及 GPU 上的 warp。這些導(dǎo)致低占用率或不必要的共享內(nèi)存讀寫。

FlashAttention-2

更好的算法、并行化和工作分區(qū)

更少的非矩陣乘法 Flops

研究者調(diào)整了 FlashAttention 的算法，從而減少了非矩陣乘法（non-matmul）的 Flops 數(shù)量。這點(diǎn)很重要，因?yàn)楝F(xiàn)代 GPU 具有專門的計(jì)算單元（例如 Nvidia GPU 上的張量核心），使得矩陣乘法速度更快。

舉例而言，A100 GPU 的 FP16/BF16 矩陣乘法的最大理論吞吐量為 312 TFLOPs/s，但非矩陣乘法 FP32 的理論吞吐量?jī)H為 19.5 TFLOPs/s。

換一種思考方式，每個(gè)非矩陣乘法 FLOP 比矩陣乘法 FLOP 的代價(jià)高 16 倍。為了保持高吞吐量，研究者希望在矩陣乘法 FLOP 上花費(fèi)盡可能多的時(shí)間。因此他們重寫了 FlashAttention 中使用的在線 softmax 技巧，以減少重新縮放操作、邊界檢查和因果掩碼操作的數(shù)量，而無需更改輸出。

更好的并行化

FlashAttention v1 在批大小和頭（head）數(shù)量上進(jìn)行并行化。研究者使用 1 個(gè)線程塊來處理一個(gè)注意力頭，總共有（批大小 * 頭數(shù)量）個(gè)線程塊。每個(gè)線程塊都計(jì)劃在流式多處理器（SM）上運(yùn)行，例如 A100 GPU 上有 108 個(gè)這樣的 SM。當(dāng)這個(gè)數(shù)字非常大（如 >= 80）時(shí)，這種調(diào)度是有效的，這時(shí)可以高效地使用 GPU 上幾乎所有計(jì)算資源。

在長(zhǎng)序列的情況下（通常意味著小批量或少量頭），為了更好地利用 GPU 上的多處理器，現(xiàn)在研究者在序列長(zhǎng)度維數(shù)上額外地進(jìn)行并行化，使該機(jī)制顯著加速。

更好的工作分區(qū)

即使在每個(gè)線程塊內(nèi)，研究者也必須決定如何在不同的 warp 之間劃分工作（一組 32 個(gè)線程一起工作）。通常情況下，每個(gè)線程塊使用 4 或 8 個(gè) warp，分區(qū)方案如下圖所述。

研究者改進(jìn)了 FlashAttention-2 中的這種分區(qū)，減少不同 warp 之間的同步和通信量，進(jìn)而減少共享內(nèi)存讀寫。

對(duì)于每個(gè)塊，F(xiàn)lashAttention 將 K 和 V 分割到 4 個(gè) warp 上，同時(shí)保持 Q 可被所有 warp 訪問。這被稱為「sliced-K」方案。不過，這種方案是低效的，原因在于所有 warp 都需要將它們的中間結(jié)果寫入共享內(nèi)存，并同步，然后將中間結(jié)果相加。這些共享內(nèi)存讀寫會(huì)減慢 FlashAttention 中的前向傳遞速度。

在 FlashAttention-2 中，研究者將 Q 分割在 4 個(gè) warp 上，同時(shí)保持 K 和 V 可被所有的 warp 訪問。每個(gè) warp 執(zhí)行矩陣乘法以獲得 Q K^T 的切片，然后只需與 V 的共享切片相乘就能獲得相應(yīng)的輸出切片。warp 之間不需要通信。共享內(nèi)存讀寫的減少也可以提升速度。

新特性：頭維數(shù)高達(dá) 256、多查詢注意力

我們知道，F(xiàn)lashAttention 僅支持最高 128 的頭維數(shù)，這適用于大多數(shù)模型，但有一些模型被遺漏了。

因此，F(xiàn)lashAttention-2 支持了高達(dá) 256 的頭維數(shù)，這意味著 GPT-J、CodeGen 和 CodeGen2、StableDiffusion 1.x 等模型可以使用 FlashAttention-2 來獲得加速和節(jié)省內(nèi)存。

此外，F(xiàn)lashAttention-2 還支持了多查詢注意力（multi-query attention, MQA）以及分組查詢注意力（grouped-query attention, GQA）。它們是注意力的變體，其中多個(gè)查詢頭關(guān)注相同的鍵和值頭，以減少推理過程中 KV 緩存的大小，并可以顯著提高推理吞吐量。

注意力基準(zhǔn)結(jié)果

研究者在 A100 80GB SXM4 GPU 上，測(cè)量不同設(shè)置（無 / 有因果掩碼、頭維數(shù) 64 或 128）下不同注意力方法的運(yùn)行時(shí)。

結(jié)果發(fā)現(xiàn)， FlashAttention-2 的速度是 FlashAttention（以及 xformers 庫(kù)和 Triton 中的其他實(shí)現(xiàn)）的 2 倍。與 PyTorch 中的標(biāo)準(zhǔn)注意力實(shí)現(xiàn)相比，F(xiàn)lashAttention-2 的速度最高是它們的 9 倍。

A100 GPU 上的注意力前向 + 后向速度。

此外只需要在 H100 GPU 上 運(yùn)行相同的實(shí)現(xiàn)（不使用特殊指令來利用 TMA 和第四代 Tensor Core 等新硬件功能），研究者最高獲得了 335 TFLOPs/s。

H100 GPU 上的注意力前向 + 后向速度。

當(dāng)用于端到端 GPT 類模型訓(xùn)練時(shí)，F(xiàn)lashAttention-2 有助于在 A100 GPU 上實(shí)現(xiàn)最高 225 TFLOPs/s（模型 FLOPs 利用率為 72%）。與優(yōu)化良好的 FlashAttention 模型相比，端到端實(shí)現(xiàn) 1.3 倍加速。

這里的基線是不使用 FlashAttention 的 Megatron-LM，它現(xiàn)在也可以選擇使用 FlashAttention 了。不久的將來，F(xiàn)lashAttention-2 也將集成到 Megatron-LM 中。

研究團(tuán)隊(duì)表示：下一步將針對(duì) H100 GPU 優(yōu)化 FlashAttention-2，以使用新的硬件功能。