LLM大模型训练加速利器FlashAttention详解

---

FlashAttention论文地址：https://arxiv.org/pdf/2205.14135.pdf

1. 背景介绍

因为Transformer的自注意力机制(self-attention)的计算的时间复杂度和空间复杂度都与序列长度有关，所以在处理长序列的时候会变的更慢，同时内存会增长更多。通常的优化是针对计算复杂度(通过$FLOPs$ 数衡量), 优化会权衡模型质量和计算速度。

在FlashAttention中考虑到attention算法也是IO敏感的，通过对GPU显存访问的改进来对attention算法的实现进行优化。如下图，在GPU中片上存储SRAM访问速度最快，对应的HBM(high bandwidth memory)访问速度较慢，为了加速要尽量减少HBM的访问次数。

2. 详细解读

2.1 标准的attention算法实现

首先回顾下标准的attention算法实现，有 $Q,K,V$ 三个矩阵，计算有以下三步，都是跟HBM交互：

$$\begin{array}{c}S=Q{K}^T\\ P=softmax(S)\\ O=PV\end{array}$$

2.2 FlashAttention算法实现

FlashAttention算法实现的关键在于以下三点：

1. softmax的tiling展开，可以支持softmax的拆分并行计算，从而提升计算效率
2. 反向过程中的重计算，减少大量的显存占用，节省显存开销。
3. 通过CUDA编程实现fusion kernel

2.2.1 softmax展开(tiling)

• 基本softmax。在计算 $x_i$ 的值的时候需要用到所有的 X = { x 1 , . . . , x N } X=\{x_1, ..., x_N\} X={x1​,...,xN​} 值，计算公式如下：

$$\begin{array}{c}X=\left[x_1,...,x_N\right]\\ f(X)=\left[e^{x_1},...,e^{x_N}\right]\\ l(X)=\sum f(X)\\ softmax(X)=\frac{f(X)}{l(X)}=softmax(x_1,...,x_N)={\left\{\frac{e^{x_i}}{{\sum }_{j=1}^N{e}^{x_j}}\right\}}_{i=1}^N\end{array}$$

• 安全(safe) softmax。由于 $e^{x_i}$ 很容易溢出, 比如FP16支持范围是 $2^{-24}\sim 65504$ ，当 $x_i\ge 11$ 的时候，$e^{x_i}$ 会超过float16的有效位。为解决这个问题提出 safe softmax, 对每个 $x_i$ 都减去一个 $m=ma{x}_{j=1}^N(x_j)$ , 使得 $x_i-m\ll 0$, 这时幂操作符对负数输入的计算是准确且安全的。

$$\begin{array}{c}m(X)=ma{x}_{j=1}^N(x_j)softmax(X)=\frac{e^{x_i-m(X)}}{{\sum }_{j=1}^N{e}^{x_j-m(X)}}m(X)=ma{x}_{j=1}^N(x_j)\end{array}$$

• Safe softmax tiling。对于 $X$ 分为两组情况进行说明，其中 $X=\left[X^{(1)},X^{(2)}\right]$ 。

$$\begin{array}{c}m(X)=m(\left[X^{(1)},X^{(2)}\right])=max(m(X^{(1)}),m(X^{(2)}))\\ f(X)=\left[e^{m(X^{(1)})-m(X)}f(X^{(1)}),e^{m(X^{(2)})-m(X)}f(X^{(2)})\right]\\ l(X)=l(\left[X^{(1)},X^{(2)}\right])=e^{m(X^{(1)})-m(X)}f(X^{(1)})+e^{m(X^{(2)})-m(X)}f(X^{(2)})\\ softmax(X)=\frac{f(X)}{l(X)}\end{array}$$

• safe softmax基本计算示例

$$\begin{array}{c}X=\left[1,2,3,4\right]\\ m(X)=4\\ f(X)=\left[e^{1-4},e^{2-4},e^{3-4},e^{4-4}\right]\\ l(X)=\sum f(X)\\ softmax(X)=\frac{f(X)}{l(X)}\end{array}$$

• safe softmax tiling计算示例（结果跟基本计算示例一致）

$$\begin{array}{c}X=\left[1,2,3,4\right]=\left[X^{(1)},X^{(2)}\right],m(X)=4\\ X^{(1)}=\left[1,2\right],m(X^{(1)})=2\\ X^{(2)}=\left[3,4\right],m(X^{(2)})=4\\ f(X^{(1)})=\left[e^{1-2},e^{2-2}\right]\\ f(X^{(2)})=\left[e^{3-4},e^{4-4}\right]\\ f(X)=\left[e^{2-4}f(X^{(1)}),e^{4-4}f(X^{(2)})\right]=\left[e^{1-4},e^{2-4},e^{3-4},e^{4-4}\right]\\ l(X)=\sum f(X)\\ softmax(X)=\frac{f(X)}{l(X)}\end{array}$$

有了softmax tiling的基础以后，在执行的时候可以对 $Q、K、V$ 三个矩阵进行分块操作并行计算了。

2.2.2 反向过程中的重计算

类似于gradient checkpoint方法，在前向的时候把输出结果 $O=softmax(Q{K}^T)V、l、m$ 存入HBM中, 在反向时候重新计算需要的数据。

2.2.3 最终完整的算法说明如下：

2.2.4 结果展示