这两天，FlashAttention团队推出了新作：
一种给Transformer架构大模型推理加速的新方法，最高可提速8倍。
该方法尤其造福于长上下文LLM，在64k长度的CodeLlama-34B上通过了验证。
甚至得到了PyTorch官方认可：
如果你之前有所关注，就会记得用FlashAttention给大模型加速效果真的很惊艳。
不过它仅限于训练阶段。
因此，这一新成果一出，就有网友表示：
等推理加速等了好久，终于来了。
据介绍，这个新方法也是在FlashAttention的基础之上衍生而出，主要思想也不复杂：
用并行操作尽快加载Key和Value缓存，然后分别重新缩放再合并结果，最终获得推理速度上的大幅提升。
提速8倍的长上下文推理方法来了
该方法被命名为Flash-Decoding。
背景与动机
根据作者介绍：
LLM的推理（即“解码”）过程是迭代的，即一次生成一个token，组成一个完整句子需要n个token以及n次前向传递。
不过，由于我们可以缓存之前计算出来的token，所以单个生成步骤并不总是依赖于上下文长度。
但有一个操作例外：注意力 (attention)，它不能随着上下文长度灵活扩展。
鉴于长上下文已成趋势，比如目前最大的开源LLM已达100k（CodeLlama），我们不得不注意到attention在大模型推理过程中浪费了太多时间，时间就是金钱。
更别提attention在batch size上进行扩展时，即使模型上下文相对较短，它也可能成为性能瓶颈（因为模型要读取的内存量与batch size成比例，而它仅取决于模型其余部分的大小）。
怎么解除？
不可复用的FlashAttention优化
模型在推理也就是解码过程中，为了计算softmax(queries @keys.transpose)@values这两个值，生成的每个新token都需要关注先前的所有token。
团队先前的工作FlashAttention，已经在训练阶段对此操作进行了优化。
当时，FlashAttention解决的主要瓶颈是读写中间结果的内存带宽（例如，Q @ K^T）。
然而，在推理阶段，我们要面对的瓶颈变了，导致FlashAttention所做的优化并不能直接拿过来应用。
具体而言：
在阶段阶段，FlashAttention在batch size和查询长度维度上进行并行化。
在推理阶段，查询长度通常为1，这意味着如果batch size小于GPU上的流式多处理器数量（例如，A100为108），该操作将仅使用GPU的一小部分。
这对于长上下文情况尤甚，因为长上下文需要较小的batch size才能适应GPU内存。
所以，结果就是，当batch size为1时，FlashAttention将只占用不足1%的GPU，非常不划算。
当然，你可能会说，不用FlashAttention也行，用矩阵乘法原语来完注意力操作。
不过，作者指出，这种情况又会完全占用GPU，并启动非常多的写入和读取中间结果的内核，也不是最佳办法。
Flash-Decoding诞生
最终，基于以上考量，作者在FlashAttention的基础上，添加了一个新的并行化纬度：key和value序列长度。
这个方法（即Flash-Decoding）结合上述两种方法的优点：
与FlashAttention一样，它在全局内存中存储的额外数据非常少，但只要上下文长度足够大，即使batch size很小，它也可以充分利用GPU。
详细来看，Flash-Decoding一共分为三个步骤：
1、先将key和value值分成更小的块。
2、用FlashAttention并行计算每块分割的查询注意力。并为每行和每块分割写入一个额外标量：注意力值的log-sum-exp。
3、最后，通过减少所有分割来计算实际输出，使用log-sum-exp来scale每块分割的贡献。
作者指出，由于attention/softmax可以迭代计算，以上所有操作均可行。
并且在Flash-Decoding中，ttention/softmax既可以在分割块内，也可以跨分割块来执行最终的缩减，只不过后者可缩减的步骤很少。
而在实际操作中，步骤1不涉及任何GPU操作，因为key和value块是完整的张量视图。然后由2个独立的内核分别执行步骤2和3。
最高提速8倍
验证环节，作者在CodeLLaMa-34b（架构与Llama 2相同）上对其解码吞吐量进行了基准测试。
具体以tok/s为单位，测量了512到64k序列长度下的解码速度（上限为从内存中读取整个模型以及KV缓存所需的时间），并和多种计算注意力的方法进行对比，包括：
- Pytorch，使用纯PyTorch原语运行注意力
- FlashAttention v2
- FasterTransformer：使用FasterTransformer注意力内核
最终，Flash-Decoding最高可将长序列解码速度提升8倍，并比其他方法具 有更好的扩展性（受长度影响较小）
此外，作者还在A100上对各种序列长度和batch size的缩放多头注意力进行了微基准测试。
结果显示，当序列长度扩展到64k时，Flash-Decoding实现了几乎恒定的运行时间。
如何使用？
以下是Flash-Decoding的获取途径，戳文末官方博客即可找到地址：
- FlashAttention包，2.2版本及以上
- xFormers包，0.0.22版本及以上
调度程序将根据问题的大小自动使用Flash-Decoding或 FlashAttention方法。
团队介绍
目前Flash-Decoding还没出论文，但作者团队已透露，这次不再是Tri Dao“单打独斗”，不过一作仍然是他。
Tri Dao今年博士毕业于斯坦福，7月份加盟大模型创业公司Together AI担任首席科学家。
明年9月将上任普林斯顿大学助理教授，他是FlashAttention v1和v2的主要作者。
剩下三位作者分别是：
Daniel Haziza，Facebook AI Research研究工程师，主要负责xformers（用于训练加速的开源框架）；
Francisco Massa，同Facebook AI Research研究工程师， 主要从事PyTorch相关工作；
Grigory Sizov，Meta机器学习工程师，主要工作是优化GPU上的LLM推理和其他AI工作负载，为PyTorch生态做出过贡献。
官方博客：https://princeton-nlp.github.io/flash-decoding/
