本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
现有大语言模型的训练和推理速度，还能再快一点——
快多少？2-4倍。
各种大模型都在用的FlashAttention今天正式发布第2代并开源，所有Transformer架构的模型都可使用它来加速。
图片
一代方法去年6月发布，无需任何近似即可加速注意力并减少内存占用。
现在，FlashAttention-2将它再度升级，使其核心注意力操作的速度再提高2倍，端到端训练Transformer时的速度再提高1.3倍，并可在英伟达A100上训练时实现72%的模型FLOP利用率（一般模型都在50%上下）。
图片
鉴于现在炼一个大语言模型的成本高达数千万美元，FlashAttention-2这一系列操作直接就能帮我们省掉数百万（美元）！
网友惊得脏话都出来了（狗头）：
图片
目前，这个项目已在GitHub上收获4.4k标星。
与此同时，我们注意到，它的一作已经完成斯坦福博士学位并加盟大模型创业公司Together AI。
具体实现
据介绍，一代FlashAttention是一种对注意力计算重新排序的算法，它利用经典方法如tiling（切片）来显著加快计算速度，并将序列长度的内存使用量从二次方减为线性。
其中tiling方法指的是将输入块从HBM（GPU内存）加载到SRAM（快速缓存），然后对该块进行attention操作，再更新HBM中的输出。
对HBM的反复读写就成了最大的性能瓶颈。
图片
正是这种通过避免将大型中间注意力矩阵写入HBM的方法，FlashAttention减少了内存读/写量，从而带来2-4倍的时钟时间加速。
然而，这个算法仍然存在一些低效率的问题，导致它仍然不如优化矩阵乘法 (GEMM) 运算来得快，最终仅达到理论最大FLOPs/s的25-40%（例如在A100上最多124 TFLOPs/s）。
究其原因，还是因为不同线程块之间的工作和GPU上的wrap划分不理想。
在此，FlashAttention-2进行了三方面的改进。
首先，在基础算法上，减少非matmul（矩阵乘法） FLOP的数量。
一层原因是由于现代GPU具有专门的计算单元，matmul速度更快。例如A100上FP16/BF16 matmul的最大理论吞吐量为312TFLOPs/s，但非matmul FP32的理论吞吐量仅为19.5 TFLOPs/s。
另一层原因是价格考量，毕竟每个非matmul FLOP比matmul FLOP贵16倍。同时在matmul FLOP上花费尽可能多的时间也能保持高吞吐量。
为此，作者重写了FlashAttention中的softmax trick，无需更改输出即可减少重新缩放操作的数量，以及边界检查和因果屏蔽操作（causal masking operation）。
其次，当batch size较小时并行化以获得更高的占用率。
FlashAttention一代在batch size和注意力头数量上进行并行化。
由于它使用1个线程块来处理1个注意力头，总共就有（batch_size*注意力头数）个线程块，每个线程块被安排在流式多处理器 (SM) 上运行。
当在像A100这样有108个SM处理器上操作时，如果线程块很多比如>=80，这样的调度安排就很有效。
而在长序列的情况下，也就是batch size和头数量很少（小）时，就需要在序列长度维度上另外进行并行化来更好地利用GPU上的多处理器了。
这个改进也是FlashAttention-2速度显著提升的一大原因。
最后，改进工作分区。
在线程块内，我们必须确定如何在不同的warp之间划分工作。通常是每个块使用4或8个warp，现在，作者改进了这一方式，来减少不同warp之间的同步和通信量，从而减少共享内存读写操作。
如下图左所示，FlashAttention一代的做法是将K和V分割到4个warp上，同时保持Q可被所有warp访问。这样的后果是所有warp都需要将其中间结果写入共享内存，然后进行同步再将中间结果相加，非常低效，减慢了FlashAttention中的前向传播速度。
图片
而在FlashAttention-2中，作者将Q分为四个warp，同时保证所有warp都可访问K和V。
每个warp执行矩阵乘法获得Q K^T的切片后，只需与V的共享切片相乘即可获得相应的输出。也就是说warp之间不需要通信，那么共享内存读写操作就少了很多，速度也就提上来了。
除了这三个大改进，FlashAttention-2还有两个小改动：
一是注意力头数从128增至256，这意味着GPT-J、CodeGen和CodeGen2以及StableDiffusion 1.x等模型都可以使用 FlashAttention-2来进行加速和内存节省了；
二是支持多查询注意力（MQA）和分组查询注意力（GQA）。
实验评估
作者在A100 80GB SXM4 GPU上对不同配置（有无causal mask，头数量64或128）下的运行时间进行了测量。
结果发现：
FlashAttention-2比FlashAttention（包括xformers库和Triton中的其他实现）快大约2倍，这也意味我们可以用与之前训练8k上下文模型相同的价格来训练具有16k上下文的模型了（也就是模型上下文长度加倍）。
而与PyTorch中的标准注意力实现相比，FlashAttention-2的速度最高可达9倍。
图片
此外，有了FlashAttention-2，我们只需在H100 GPU上运行相同的实现（不使用特殊指令利用TMA和第四代Tensor Core等新硬件功能），训练速度就可以跑到高达335TFLOPs/s的成绩。
图片
以及当用于端到端训练GPT式模型时，FlashAttention-2还能在A100上实现高达225TFLOPs/s的速度（模型FLOPs利用率达72%）。这与已经优化程序足够高的FlashAttention相比，速度再提高了1.3倍。
图片
一作加入大模型创业公司
FlashAttention-2论文仅显示一位作者：Tri Dao。他也是FlashAttention一代的两位共同作者之一。
图片
据了解，Tri Dao的研究方向为机器学习和系统的交叉领域，去年拿下ICML 2022杰出论文亚军奖。
最近他刚刚获得斯坦福大学计算机科学博士学位，即将上升普林斯顿大学助理教授，并已宣布加盟生成式AI创业公司Together AI（该司主要目标构建一个用于运行、训练和微调开源模型的云平台）担任首席科学家。
One More Thing
最后，有网友发现，除了FlashAttention-2，最近还有一系列类似成果，包括DeepSpeed的ZeRO++、马萨诸塞大学de ReLoRA。
它们都是用于加速大型模型预训练和微调，这些研究成果让他觉得：
未来在低vram低带宽的消费显卡上训练大模型，似乎已不是在做梦了。
图片
大家认为呢？
论文地址：https://tridao.me/publications/flash2/flash2.pdf
博文地址：https://princeton-nlp.github.io/flash-atttention-2/
GitHub主页：https://github.com/Dao-AILab/flash-attention
