背景
在当下cv, nlp领域,一般都会使用attention结构,对attention的优化就显得额外重要,这边文章就nvidia对attention的优化策略进行分析。
相关知识
PTX指令
因为这里我们需要利用到一些PTX指令,所以简单做一点介绍:
asm volatile( \
"mma.sync.aligned.m16n8k16.row.col.f32.f16.f16.f32 \n" \
" {%0, %1, %2, %3}, \n" \
" {%4, %5, %6, %7}, \n" \
" {%8, %9}, \n" \
" {%0, %1, %2, %3}; \n" \
: "+f"( elt(0)), "+f"( elt(1)), "+f"( elt(2)), "+f"( elt(3))
: "r"(a.reg(0)), "r"(a.reg(1)), "r"(a.reg(2)), "r"(a.reg(3))
, "r"(b.reg(0)), "r"(b.reg(1)));
上面是一段矩阵乘加的ptx代码,计算公式是D(16x8) = A(16x16) * B(16x8) + C(16*8)。具体解释如下:(一个寄存器可以存一个fp32)
mma.sync.aligned.m8n8k4.alayout.blayout.dtype.f16.f16.ctype d, a, b, c;
- 矩阵A,数据类型是.fp16, 一个向量表达式中包含4个寄存器,也就是4个fp16 *2
- 矩阵B,数据类型是.fp16, 一个向量表达式中包含2个寄存器,也就是2个fp16 *2
- 矩阵C,数据类型是.fp32, 一个向量表达式中包含4个寄存器,也就是4个fp32
- 矩阵D,数据类型是.fp32, 一个向量表达式中包含4个寄存器,也就是4个fp32
nvidia的文档链接:Matrix Shape, PTX ISA reference