最详细的mamba讲解及环境配置（包含踩坑心得）

Mamba: Linear-Time Sequence Modeling with Selective State Spaces

1. 作者介绍

​

​

2. 以往的模型

​

3. Mamba中使用的结构

​

4. 文章整体框架

a. State Space Models（SSM）

​

b. Sequences with Structured State Spaces（S4）

S4比较SSM有三点升级

1. 离散化SSM
2. 循环/卷积表示
3. 基于HiPPO处理长序列

ⅰ. 离散数据的连续化：基于零阶保持技术做连续化并采样

参考大佬博客：博客地址

​

1. 首先，每次收到离散信号时，我们都会保留其值，直到收到新的离散信号，如此操作导致的结果就是创建了 SSM 可以使用的连续信号
2. 保持该值的时间由一个新的可学习参数表示，称为步长(siz)——

   ​

   ，它代表输入的阶段性保持(resolution)
3. 有了连续的输入信号后，便可以生成连续的输出，并且仅根据输入的时间步长对值进行采样

​

这些采样值就是我们的离散输出，且可以针对A、B按如下方式做零阶保持(做了零阶保持的在对应变量上面加了个横杠)

​

最终使我们能够从连续 SSM 转变为离散SSM，使得不再是函数到函数x(t) → y(t)，而是序列到序列xₖ → yₖ，所以你看到，矩阵

​

和

​

现在表示模型的离散参数，且这里使用

​

，而不是

​

来表示离散的时间步长

​

ⅱ. 循环结构表示：方便快速推理

​

在每个时间步，都会涉及到隐藏状态的更新(比如

​

取决于

​

和

​

的共同作用结果，然后通过

​

预测输出

​

)

​

然后可以这样展开(其中，

​

始终是

​

和

​

的共同作用之下更新的)

​

ⅲ. 卷积结构表示：方便并行训练

在经典的图像识别任务中，我们用过滤器(即卷积核kernels)来导出聚合特征，而SSM也可以表示成卷积的形式

​

由于mamba处理的是文本而不是图像，因此我们需要一维视角

​

而用来表示这个“过滤器”的内核源自 SSM 公式

​

ⅳ. 长距离依赖问题的解决之道——HiPPO

​

HiPPO: Recurrent Memory with Optimal Polynomial Projections

​

c. Mamba的Motivation

​

​

​

​

Parallel Scan

​

d. Mamba的三大创新（有选择处理信息 + 硬件感知算法 + 更简单的SSM架构）

ⅰ. GPU memory hierarchy

​

​

ⅱ. Kernal fusion

​

ⅲ. Recomputation

​

e. Mamba的结构

​

​

vmamba（mamba）环境配置以及踩坑

环境配置现已更新至mamba2中

请查看：Mamba2 coming back-Transformers are SSMs-CSDN博客

注意：

1. mamba暂时只支持linux系统（windows的ssm的包还没发，时间2024.4.22）
2. mamba配置和vmamba之差一个包 ss2d的包（底下介绍vmamba安装的同时会介绍mamba）
3. 安装时，需合理的科学上网
4. 如想快速安装请下滑至最底下寻找完整步骤

vmamba仓库的地址：GitHub - MzeroMiko/VMamba: VMamba: Visual State Space Models，code is based on mamba

mamba仓库的地址：GitHub - state-spaces/mamba

步骤

1.克隆仓库

git clone GitHub - MzeroMiko/VMamba: VMamba: Visual State Space Models，code is based on mamba

cd VMamba

2.创建环境

conda create -n vmamba python=3.8

conda activate vmamba

3.安装依赖

pip install -r requirements.txt

cd kernels/selective_scan && pip install .#直接安装这一步会报错先装完第4步再安装

4.安装cuda(重要‼️不安装会报错)

最实用的cuda安装技巧（转载自csdn）

我这里安装在环境中的

cuda版本为12.1（如果不知道自己环境中的cuda版本，可以conda list下查看nvidia-nvtx-cu12）

torch版本为2.2

python版本为3.8

最大的坑在于需要在外面也安装cuda版本需要与vmamba环境中的版本一致，因为在环境中装的cuda是不完整的（如果想要查看是否装有cuda，请输入指令nvcc -V），

• 安装前需要查看自己的显卡驱动（输入nvidia-smi），也可以去nvidia官网查看安装cuda所需要的最低驱动，如果低于cuda要求的最低版本参考博客

  ​

• 安装cuda上nvidia官网（需科学上网）
• 我这里安装的是cuda12.1

wget https://developer.download.nvidia.com/compute/cuda/12.1.0/local_installers/cuda_12.1.0_530.30.02_linux.run

sudo sh cuda_12.1.0_530.30.02_linux.run

​

• 最后需要更新cuda的路径

vim ~/.bashrc

#插入

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-12.1/lib64

export PATH=$PATH:/usr/local/cuda-12.1/bin

export CUDA_HOME=$CUDA_HOME:/usr/local/cuda-12.1

#保存退出

:wq!

#重启一下

source ~/.bashrc

5.安装到这一步，恭喜你跳过了一个大坑🎉🎉 安装ssm所需要的cuda环境，接下来就要安装

下面给出官方网址：Releases · state-spaces/mamba · GitHub

因为直接pip install mamba-ssm 会一直卡在setup那一步一直不动（因为这里的pip会直接调用github上面给的仓库，没法直接访问就一直卡着）所以就需要自己去上面那个github上找whl

对于vmamba而言：只需要安装mamba-ssmv1.2.0.post1这一个安装包就行了，所以这里给出我安装的whl所对应的网址：链接

对于mamba而言：需要安装mamba-ssm和causal-conv1d

完整的流程

conda create -n vmamba python=3.10

conda activate vmamba

conda install cudatoolkit==11.8 -c nvidia  #这里使用11.8版本的cuda

pip install torch==2.1.1 torchvision==0.16.1 torchaudio==2.1.1 --index-url https://download.pytorch.org/whl/cu118

conda install -c "nvidia/label/cuda-11.8.0" cuda-nvcc

conda install packaging

下载mamba_ssm和causal_conv1d

下载完whl文件

pip install mamba_ssm-1.1.1+cu118torch2.1cxx11abiFALSE-cp310-cp310-linux_x86_64.whl

pip install  causal_conv1d-1.1.3+cu118torch2.1cxx11abiFALSE-cp310-cp310-linux_x86_64.whl

参考：博客地址