小白学大模型：大模型加速的秘密 FlashAttention 1/2/3-电子发烧友网

本文转自：Coggle数据科学

在 Transformer 架构中，注意力机制的计算复杂度与序列长度（即文本长度）呈平方关系()。这意味着，当模型需要处理更长的文本时（比如从几千个词到几万个词），计算时间和所需的内存会急剧增加。最开始的标准注意力机制存在两个主要问题：

内存占用高：模型需要生成一个巨大的注意力矩阵 (N×N)。这个矩阵需要被保存在高带宽内存 (HBM)中。对于长序列，这很快就会超出 GPU 的内存容量。
计算效率低：标准实现会将注意力计算分解成多个独立的步骤（矩阵乘法、softmax 等）。每一步都需要将数据从速度较慢的 HBM 中读取，计算后又写回 HBM。这种频繁的数据移动（内存读写）成为了性能瓶颈，导致 GPU 的计算单元（如 Tensor Cores）利用率低下。

什么是 FlashAttention？

FlashAttention 使得处理长达数万甚至数十万个 token 的超长文本成为可能。这解锁了新的应用场景，例如分析法律文档、总结长篇小说或处理整个代码库。

FlashAttention 使得模型的训练和推理速度更快，尤其是在长序列场景下。例如，FlashAttention-2 在长序列上比标准实现快 10 倍，使得训练成本更低，用户体验更好。

最新的 FlashAttention-3 利用了新硬件（如 NVIDIA H100）的 FP8 精度，进一步提升了性能，同时通过特殊的算法保持了计算的准确性，让模型训练更加高效。

FlashAttention v1

许多研究提出了近似注意力方法，试图通过减少计算量（FLOPs）来提高效率。然而，这些方法通常忽略了GPU不同层级内存（如高速的片上SRAM和相对较慢的高带宽HBM）之间的I/O开销，导致它们在实际运行时并没有带来显著的加速。

FlashAttention的核心思想是I/O感知，即在设计算法时，将数据在不同层级内存之间的读写开销考虑在内。论文指出，在现代GPU上，计算速度已经远超内存访问速度，因此大多数操作都受限于内存访问。FlashAttention通过以下两个关键技术来解决这一问题：

Tiling (平铺)：将输入数据（Q、K、V矩阵）分割成小块，并在GPU的片上SRAM中进行计算。这样可以避免将庞大的 N×N 注意力矩阵完整地写入到速度较慢的HBM中。
内存优化：在反向传播时，FlashAttention 不存储巨大的中间注意力矩阵，而是只保存前向传播中计算出的Softmax归一化因子。这样，反向传播时可以利用这些因子在SRAM中快速地重新计算注意力矩阵，从而避免了从HBM读取大矩阵的开销。

GPU内存层级

HBM (高带宽内存)：容量大（如A100 GPU的40-80 GB），但速度相对较慢（带宽1.5-2.0 TB/s）。
片上SRAM (静态随机存取存储器)：容量小（每个流式多处理器有192 KB），但速度极快（带宽估计达19 TB/s），比HBM快一个数量级以上。

由于GPU的计算速度增长快于内存速度，许多操作的性能瓶颈在于内存访问，而不是计算本身。因此，如何高效利用快速的SRAM变得至关重要。

运算类型

根据算术强度（每字节内存访问的算术运算次数），操作可分为两类：

计算密集型 (Compute-bound)：运算时间由算术操作数量决定，内存访问时间相对较小。例如，大规模矩阵乘法。
内存密集型 (Memory-bound)：运算时间由内存访问次数决定，计算时间相对较小。例如，大多数元素级操作（如激活函数、Dropout）和归约操作（如Softmax、LayerNorm）。

注意力实现改进

给定查询 Q、键 K 和值 V 矩阵，注意力的计算分三步：

相似度计算：
Softmax归一化：
加权求和：

标准实现（如“Algorithm 0”所示）将每一步都作为一个独立的GPU核函数，并物化（materialize）中间矩阵 S 和 P 到HBM中。

这种实现方式导致了两个主要问题：

巨大的内存占用：中间矩阵 S 和 P 的大小为 N×N，其内存占用与序列长度 N 的平方成正比。
大量的HBM访问：由于每个步骤都需要读写HBM，导致I/O开销巨大。论文指出，这种方法对HBM的访问次数是 O(N2) 级别的，这在长序列（通常 N?d）时会成为主要的性能瓶颈，导致运行时间慢。

FlashAttention旨在减少对GPU高带宽内存（HBM）的读写，实现对确切注意力（exact attention）的快速、内存高效的计算。为此，它采用了两种关键技术：

Tiling（分块）：将输入的 Q,K,V 矩阵分成若干小块。然后，在计算过程中，每次只将一小块数据从慢速的HBM加载到快速的片上SRAM进行计算，而不是一次性加载整个大矩阵。
Recomputation（重计算）：为了避免在反向传播时存储 O(N2) 的中间注意力矩阵 S 和 P，FlashAttention只存储 Softmax 的归一化统计量（即 m 和 ?）。在反向传播时，它会利用这些统计量，按需在SRAM中重新计算必要的注意力矩阵块。

通过Tiling和Recomputation，FlashAttention能够将所有计算步骤（矩阵乘法、Softmax、可选的遮蔽和Dropout）融合成一个单一的CUDA核函数。这避免了在每个步骤之间反复地将数据写入HBM。

实现效果

lashAttention在BERT-large模型上的训练速度超过了MLPerf 1.1的记录保持者。与Nvidia的实现相比，FlashAttention的训练时间缩短了15%，这证明了其在标准长序列任务上的卓越性能。

FlashAttention在训练GPT-2模型时，相比于流行的HuggingFace和Megatron-LM实现，实现了显著的端到端加速。

与Huggingface相比，速度提升高达3倍。
与Megatron-LM相比，速度提升高达1.7倍。
重要的是，FlashAttention在不改变模型定义的情况下，实现了与基线模型相同的困惑度（perplexity），证明了其数值稳定性。

在Long-Range Arena基准测试中，FlashAttention相比于标准的Transformer实现，实现了2.4倍的加速。此外，块稀疏FlashAttention的表现甚至优于所有已测试的近似注意力方法，证明了其在处理超长序列时的优越性。

lashAttention的内存占用与序列长度呈线性关系，而标准实现是平方关系。这使得FlashAttention的内存效率比标准方法高出20倍。

FlashAttention v2

第一代FlashAttention通过利用 GPU 内存层次结构的特性，显著降低了内存占用（从二次方降为线性）并实现了 2-4 倍的加速，且没有引入任何近似。

然而，FlashAttention 的效率仍然不如优化的矩阵乘法（GEMM）操作，其浮点运算性能（FLOPs/s）仅能达到理论峰值的 25-40%。这主要是因为 FlashAttention 存在不优化的工作划分（work partitioning），导致 GPU 线程块（thread blocks）和线程束（warps）之间的并行度不足、占用率低或产生不必要的共享内存读写。

为了解决这些问题，论文提出了FlashAttention-2，通过以下改进实现了更好的工作划分：

减少非矩阵乘法（non-matmul）的浮点运算：虽然这类操作占总 FLOPs 的比例小，但执行起来很慢。
在序列长度维度上并行化：即使对于单个注意力头，也将其计算任务分配给不同的线程块，以提高 GPU 的占用率。
优化线程块内部的工作分配：在每个线程块内，重新分配线程束之间的工作，以减少通过共享内存进行的通信。

前向传播改进

FlashAttention-2对在线 Softmax 技巧进行了两处微调：

延迟归一化：在每个循环迭代中，不立即对输出进行归一化。相反，它维护一个“未缩放”的中间结果，并在整个循环结束时仅进行一次最终的归一化。这减少了每个块的缩放操作，从而减少了非 matmul 的 FLOPs。
简化统计量：为反向传播存储数据时，只保存logsumexp统计量 L(j)=m(j)+log(?(j))，而不是同时存储最大值 m(j) 和指数和 ?(j)。

并行化改进

第一代 FlashAttention 仅在批处理大小和注意力头数量上进行并行化。当序列长度很长时，批处理大小通常很小，导致 GPU 资源的利用率（occupancy）不高。FlashAttention-2 通过在序列长度维度上增加并行化来解决这个问题。

前向传播：FlashAttention-2 将注意力矩阵的行块任务分配给不同的线程块，这些线程块之间无需通信。通过在行维度上并行，当批次大小和注意力头数较小时，GPU 的 SM（流式多处理器）能够被更充分地利用，从而提高整体吞吐量。
后向传播：类似地，后向传播则在注意力矩阵的列块上进行并行。由于反向传播中的某些更新需要跨线程块通信，作者使用了原子加法（atomic adds）来更新共享的梯度 dK 和 dV，确保了线程安全。

除了线程块级别的并行，FlashAttention-2 还优化了线程块内部线程束之间的工作分配，以减少共享内存的读写。

前向传播：
- FlashAttention：采用“split-K”方案，将 K 和 V 矩阵的计算任务分配给不同的线程束。这要求所有线程束将中间结果写入共享内存，再进行同步和求和，导致不必要的共享内存访问。
- FlashAttention-2：改为将 Q 矩阵的计算任务分配给不同的线程束。每个线程束负责计算 Q 的一个分片与完整的 K 的乘积。这样，每个线程束可以独立地完成其部分输出，而无需与其他线程束进行共享内存通信，从而显著提高了效率。
后向传播：后向传播的依赖关系更复杂，但 FlashAttention-2 仍然通过避免“split-K”方案来减少共享内存的读写，实现了性能提升。

实现效果

FlashAttention-2 比第一代 FlashAttention 快1.7-3.0 倍，比 Triton 实现的 FlashAttention 快1.3-2.5 倍。

在 A100 GPU 上，FlashAttention-2 在前向传播中达到了230 TFLOPs/s的峰值，相当于理论最大吞吐量的73%。在后向传播中，它达到了理论最大吞吐量的 63%。

FlashAttention v3

虽然之前的 FlashAttention 通过减少内存读写来加速计算，但它未能充分利用现代硬件（如 Hopper GPU）的新特性。例如，FlashAttention-2 在 H100 GPU 上的利用率仅为 35%。

与 FlashAttention-2 类似，FlashAttention-3 也将任务并行化到不同的线程块（CTA），但其创新之处在于在单个线程块内部，将线程束（warps）划分为不同的角色。

生产者（Producer）：负责将数据从 HBM（全局内存）异步加载到 SMEM（共享内存）。
消费者（Consumer）：在数据加载完成后，从 SMEM 读取数据并执行计算。

生产者和消费者通过一个循环缓冲区（circular buffer）进行同步。生产者将数据放入缓冲区，消费者从中取出。当缓冲区中的一个“阶段”被消费后，生产者就可以继续向其中加载新数据。

线程内部的 GEMM 和 Softmax 重叠

在标准 FlashAttention 中，GEMM 和 Softmax 存在顺序依赖：Softmax 必须在第一个 GEMM 计算完成后才能开始，而第二个 GEMM 必须等待 Softmax 的结果。

FlashAttention-3 通过在寄存器中使用额外的缓冲区，打破了这种依赖关系。在每次循环中，它异步启动下一个 GEMM 的计算，而同时执行当前 GEMM 结果的 Softmax 和更新操作。这样，GEMM 和 Softmax 的执行就可以重叠，提高了效率。

FP8 低精度计算

FP8 的 WGMMA（Warp Group Matrix-Multiply-Accumulate）指令要求输入矩阵具有特定的k-major 布局，而输入张量通常是mn-major 布局。

FlashAttention-3 选择在 GPU 内核中（in-kernel）进行转置。它利用 LDSM/STSM 指令，这些指令能够高效地在 SMEM 和 RMEM（寄存器）之间进行数据传输，并在传输过程中完成布局转置，避免了代价高昂的 HBM 读写。

同于传统的逐张量（per-tensor）量化，FlashAttention-3 对每个块进行单独量化。这使得每个块可以有自己的缩放因子，从而更有效地处理离群值，减少量化误差。

实现效果

FlashAttention-3 的前向传播速度比 FlashAttention-2 快1.5-2.0 倍，后向传播快1.5-1.75 倍。FP16 版本的 FlashAttention-3 达到了740 TFLOPs/s的峰值，相当于 H100 GPU 理论最大吞吐量的 **75%**。