4-Attention 升级面.pdf

Attention升级面来自：AiGC面试宝典宁静致远2023年09月29日13:261传统Attention存在哪些问题？2Attention优化方向3Attention变体有哪些？4Multi-QueryAttention篇4.1Multi-headAttention存在什么问题？4.2介绍一下Multi-QueryAttention？Multi-QueryAttention在所有注意力头上共享key和value.4.3对比一下Multi-headAttention和Multi-QueryAttention？1.传统Attention存在上下文长度约束问题；2.传统Attention速度慢，内存占用大；1.提升上下文长度2.加速、减少内存占用•稀疏attention。将稀疏偏差引入attention机制可以降低了复杂性；•线性化attention。解开attention矩阵与内核特征图，然后以相反的顺序计算attention以实现线性复杂度；•原型和内存压缩。这类方法减少了查询或键值记忆对的数量，以减少注意力矩阵的大小；•低阶self-Attention。这一系列工作捕获了self-Attention的低阶属性；•Attention与先验。该研究探索了用先验attention分布来补充或替代标准attention；•改进多头机制。该系列研究探索了不同的替代多头机制。•训练过程：不会显著影响训练过程，训练速度不变，会引起非常细微的模型效果损失；•推理过程：反复加载巨大的KVcache,导致内存开销大，性能是内存受限；•Multi-headAttention：每个注意力头都有各自的query、key和value。•Multi-queryAttention:在所有的注意力头上共享key和value。扫码加查看更多Falcon、PaLM、ChatGLM2-6B都使用了Multi-queryAttention，但有细微差别。4.4Multi-QueryAttention这样做的好处是什么？减少KVcache的大小，减少显存占用，提升推理速度。4.5有哪些模型是使用Multi-QueryAttention？5Grouped-queryAttention5.1什么是Grouped-queryAttention？Groupedqueryattention:介于multihead和multiquery之间，多个key和value。5.2有哪些大模型使用Grouped-queryAttention？ChatGLM2，LLaMA2-34B/70B使用了Groupedqueryattention。6FlashAttention7并行transformerblock用并行公式替换了串行，提升了15%的训练速度。在8B参数量规模，会有轻微的模型效果损失;在62B参数量规模，就不会损失模型效果。Falcon、PaLM都使用了该技术来加速训练•为了保持参数量一致，•Falcon:把隐藏维度从4096增大到了4544。多余的参数量分给了Attention块和FFN块•ChatGLM2:把FFN中间维度从11008增大到了13696。多余的参数分给了FFN块•代表模型：PaLM、ChatGLM2、Falcon等•核心：用分块softmax等价替代传统softmax•优点：节约HBM，高效利用SRAM，省显存，提速度•代表模型：Meta推出的开源大模型LLaMA，阿联酋推出的开源大模型Falcon都使用了FlashAttention来加速计算和节省显存•关键词：HBM、SRAM、分块Softmax、重计算、Kernel融合。知识星球