大模型推理优化之 KV Cache

javastart

已于 2024-04-25 09:37:06 修改

阅读量4.3k

点赞数 24

分类专栏：大模型 aigc prompt 文章标签： transformer AIGC 性能优化 chatgpt

于 2024-04-25 09:32:20 首次发布

本文链接：https://blog.csdn.net/javastart/article/details/138176497

版权

大模型同时被 3 个专栏收录

235 篇文章

订阅专栏

aigc

87 篇文章

订阅专栏

prompt

42 篇文章

订阅专栏

文章介绍了KVCache在语言模型推理中的应用，通过缓存重复数据加速解码过程，提升了GPT-4等模型的推理速度。同时，分析了KVCache的显存占用，讨论了MultiQueryAttention和GroupedQueryAttention两种优化策略。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

原文：https://zhuanlan.zhihu.com/p/677660376

收起

KV Cache 定义

KV Cache 原理

KV Cache 实现

KV Cache 显存占用分析

KV Cache 优化方法

在语言模型推理的过程中，性能优化一直是一个备受关注的话题。LLM（Large Language Models）的出现使得自然语言处理取得了显著的进展，但随之而来的是庞大的模型和复杂的计算过程，因此推理效率的提升变得至关重要。在这个背景下，KV Cache（键-值缓存）成为了一项被广泛应用的推理优化技术。

KV Cache 定义

KV Cache，即键-值缓存，是一种用于存储键值对数据的缓存机制。在语言模型的推理过程中，经常需要多次访问相同的数据，而KV Cache通过将这些数据缓存到内存中，提供了快速的数据访问速度，从而加速推理过程。该技术仅应用于解码阶段。如 decode only 模型（如 GPT3、Llama 等）、encode-decode 模型（如 T5）的 decode 阶段，像 Bert 等非生成式模型并不适用。

KV Cache 原理

推理过程：给定一个问题，模型会输出一个回答。生成回答的过程每次只生成一个 token，输出的 token会和问题拼接在一起，再次作为输入传给模型，这样不断重复直至生成终止符停止。

GPT-4推理过程图

下图是Scaled dot-product attention 有无 KV Cache 优化计算过程的比较。一般情况下，在每个生成步骤中，都会重新计算之前token的注意力，而实际上我们只想计算新 token 的注意力。而采用 KV Cache 方法后，会把之前 Token的 KV 值存下来，新 token 预测时只需要从缓存中读取结果就可以了。

动图封面

Scaled dot-product attention 有无 KV Cache 比较，图片来源：https://medium.com/@joaolages/kv-caching-explained-276520203249

KV Cache 实现

huggingface的 transformer库已经实现了 KV cache，在推理时新增了past_key_values，设置 use_cache=True 或 config.use_cache=True 就可以了。

past_key_values( Cacheor tuple(tuple(torch.FloatTensor)), optional) — Pre-computed hidden-states (key and values in the self-attention blocks and in the cross-attention blocks) that can be used to speed up sequential decoding. This typically consists in the past_key_valuesreturned by the model at a previous stage of decoding, when use_cache=Trueor config.use_cache=True.

import numpy as np
import time
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
model_path = "Llama-2-7b-chat-hf"

device = "cuda:7" if torch.cuda.is_available() else "cpu"
tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForCausalLM.from_pretrained(model_path, device_map=device)
for use_cache in (True, False):
  times = []
  for _ in range(10):  # measuring 10 generations
      start = time.time()
      input = tokenizer("What is KV caching?", return_tensors="pt").to(device)
      outputs = model.generate(**input, use_cache=use_cache, max_new_tokens=1000, temperature=0.00001)
      times.append(time.time() - start)
  print(f"{'With' if use_cache else 'Without'} KV caching: {round(np.mean(times), 3)} +- {round(np.std(times), 3)} seconds")

执行结果如下所示：

With KV caching: 8.946 +- 0.011 seconds
Without KV caching: 58.68 +- 0.012 seconds

从结果可以看出使用 KV Cache 方法进行大模型推理，推理速度增加了6.56倍，差异巨大。

KV Cache 显存占用分析

假设输入的序列长度是 𝑚，输出序列长度是 𝑛 ， 𝑏 为数据批次大小， 𝑙 为层数， ℎ 为隐向量维度，以 FP16（2bytes）来保存，那么 KV Cache的峰值显存占用大小为 𝑏(𝑚+𝑛)ℎ∗𝑙∗2∗2=4𝑏𝑙ℎ(𝑚+𝑛) ，第一个 2 代表 K、V，第二个 2 代表 2bytes。可见随着批次大小和长度的增加，KV Cache 的显存占用也会快速增大。

KV Cache 优化方法

这里主要介绍下 Multi Query Attention 和 Grouped Query Attention。

Multi Query Attention

Multi-query attention is identical except that the different heads share a single set of keys and values.

MQA 和 MHA的区别是：每个头共享相同的 K、V 权重而不共享Q的权重。

Grouped Query Attention

Grouped-query attention divides query heads intoG groups, each of which shares a single key head and value head.

分组注意力将查询头分为 G 组，每组共享一个键头和值头。GQA-G 是指有 G 组的分组查询。GQA-1，有一个组，因此有一个键头和值头，等同于 MQA，而 GQA-H，组数等于头数，等同于 MHA。

MHA、MQA、GQA比较可参考下图。

Multi Head Attention、Multi Query Attention、Grouped Query Attention 比较

使用MHA、MQA、GQA进行KV Cache 显存占用情况比较

MHA： 𝑏(𝑚+𝑛)ℎ∗𝑙∗2∗2=4𝑏𝑙ℎ(𝑚+𝑛) ；

MQA： 4𝑏𝑙ℎ(𝑚+𝑛)/𝐻 ， 𝐻 代表头数；

GQA： 4𝑏𝑙ℎ(𝑚+𝑛)∗𝐺/𝐻 ， 𝐻 代表头数， 𝐺 代表分组数；

MQA、GQA Huggingface 库都有实现，具体见llm_tutorial_optimization。

如果觉得本文对您有帮助，麻烦点个小小的赞，谢谢大家啦~

Transformers KV Caching Explained
Huggingface-llama2
Fast Transformer Decoding: One Write-Head is All You Need
GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints

编辑于 2024-01-16 21:52・IP 属地江苏