PyTorch全新API：几行代码实现不同注意力变体！兼具FlashAttention性能

最新推荐文章于 2024-09-28 17:10:10 发布

小白学视觉

最新推荐文章于 2024-09-28 17:10:10 发布

阅读量33

点赞数

文章标签： pytorch 人工智能 python 深度学习机器学习

原文链接：https://mp.weixin.qq.com/s?__biz=MzU0NjgzMDIxMQ==&mid=2247622596&idx=1&sn=39179ed9cc97a00672e4aa91050fd738&chksm=fa50435e0992607179b512ebe3857d0831b780c25a7f7cfc6f43fa86cc1d4414b309fa10c47d&scene=126&sessionid=0

版权

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

转载自：机器之心 | 编辑：陈陈

用 FlexAttention 尝试一种新的注意力模式。

理论上，注意力机制就是你所需要的一切。然而在实际操作中，我们还需要优化像 FlashAttention 这样的注意力机制的实现。

尽管这些融合的注意力机制大大提高了性能，且支持长上下文，但这种效率的提升也伴随着灵活性的丧失。对于机器学习研究人员来说，这就像是一种「软件彩票」—— 如果你的注意力变体不适合现有的优化内核，你将面临运行缓慢和 CUDA 内存不足的困境。

一些注意力变体包括因果注意力、相对位置嵌入、Alibi、滑动窗口注意力、PrefixLM、文档掩码、不规则张量、PagedAttention 等。更糟糕的是，人们通常希望将这些变体组合在一起！比如滑动窗口注意力 + 文档掩码 + 因果注意力 + 上下文并行，又比如 PagedAttention + 滑动窗口的组合。

下图左侧代表了当今的现状 —— 一些掩码 + 偏置 + 设置的组合已经有现成的内核实现。然而，各种选项的添加会导致设置呈指数级增长。更糟糕的是，这种方式不会支持新的注意力变体。

为了彻底地解决这个超立方体问题，PyTorch 团队引入了 FlexAttention，一个新的 PyTorch API。

FlexAttention 是一个灵活的 API，允许用户使用几行惯用的 PyTorch 代码就能实现多个注意力变体。
团队人员通过 torch.compile 将其降低到一个融合的 FlashAttention 内核中，生成了一个不会占用额外内存且性能可与手写内核相媲美的 FlashAttention 内核。
利用 PyTorch 的自动求导机制自动生成反向传播。
最后，PyTorch 团队还可以利用注意力掩码中的稀疏性，从而显著改善标准注意力实现。

FlashAttention 1-3 版本的参与者 Tri Dao 对这项研究进行了转发并评论：这项研究使得很多技术都融合在一起了。

FlexAttention

经典的注意力方程式如下：

代码形式：

FlexAttention 形式如下，其通过接受用户定义的函数 score_mod 来解决上述问题。

代码形式：

此函数允许用户在 softmax 之前修改注意力分数。研究人员发现，该函数最终足以满足大多数用户对注意力变体的需求。

具体而言，score_mod 如下：

要应用此函数，可以将其实现为：

for b in range (batch_size):
    for h in range (num_heads):
        for q_idx in range (sequence_length):
            for kv_idx in range (sequence_length):
                modified_scores [b, h, q_idx, kv_idx] = score_mod (scores [b, h, q_idx, kv_idx], b, h, q_idx, kv_idx)

最终的 API 具有令人惊讶的表达能力。

Score Mod 示例

全注意力

在这种情况下，score_mod 无操作，它接受分数作为输入，然后原样返回它们。

然后端到端的使用。

相对位置编码

一种常见的注意力变体是相对位置编码。相对位置编码不是对查询和键中的绝对距离进行编码，而是根据查询和键之间的距离调整分数。

需要注意的是，与典型实现不同，这不需要具体化 SxS 张量。相反，FlexAttention 会在内核中动态计算偏差值，从而显著提高内存和性能。

Soft-capping

Soft-capping 是 Gemma 2 和 Grok-1 使用的一种技术，在 FlexAttention 中，它的形式是这样的：

Causal Mask

尽管双向注意力很简单，但在论文《Attention is All You Need》，以及其他的 LLM 中，它们的设置都是仅解码器的注意力，其中每个 token 只能关注它之前的 token。如果用户使用 score_mod API ，可以将其表示为：

Sliding Window + Causal

图源：https://arxiv.org/abs/2310.06825

Mistral 一直在推广滑动窗口注意力（也称为局部注意力），它允许查询 token 仅关注最近的 1024 个 token，通常与因果注意力一起使用。

研究者对带有滑动窗口掩码的 F.scaled_dot_product_attention 以及带有因果掩码的 FA2 进行基准测试。结果表明，FlexAttention 不仅明显快于 F.scaled_dot_product_attention，也明显快于带有因果掩码的 FA2。

性能

总体而言，FlexAttention 的性能几乎与手写的 Triton 内核一样好。然而，由于 FlexAttention 具有通用性，因此会遭受轻微的性能损失。例如，用户必须承受一些额外的延迟。

FlexAttention 在前向传播中实现了 FlashAttention2 性能的 90%，在反向传播中实现了 85%。FlexAttention 目前正在使用一种确定性算法，该算法比 FAv2 重新计算了更多的中间体，研究者计划改进 FlexAttention 的反向算法，来缩小这一差距！

参考链接：https://pytorch.org/blog/flexattention/

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。


下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。


下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。


交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~