斯坦福博士提出超快省显存Attention，GPT-2训练速度提升3.5倍，BERT速度创纪录

Posted 2022-06-10 QbitAl

白交 发自 凹非寺
量子位 | 公众号 QbitAI

Flash is all you need！

最近，一个超快且省内存的注意力算法FlashAttention火了。

通过感知显存读取/写入，FlashAttention的运行速度比PyTorch标准Attention快了2-4倍，所需内存也仅是其5%-20%。

而它的表现还不止于此。

• 训练BERT速度相较于MLPerf训练记录提升15%；

• 训练GPT-2的速度提高3.5倍；

• 训练Transformer的速度比现有基线快。

网友们纷纷表示惊叹：Great Job！这项工作对我来说很有用。

来看看这是一项什么样的研究~

FlashAttention

本文提出了一种IO感知精确注意力算法。

随着Transformer变得越来越大、越来越深，但它在长序列上仍然处理的很慢、且耗费内存。（自注意力时间和显存复杂度与序列长度成二次方）

现有近似注意力方法，在试图通过去牺牲模型质量，以降低计算复杂度来解决该问题。

但存在一定的局限性，即不能提升运行时的训练速度。

研究者认为，应该让注意力算法具有IO感知，即考虑显存级间的读写，比如大但慢的HBM（High Bandwidth Memory）技术与小但快的SRAM。

基于这样的背景，研究人员提出了FlashAttention，具体有两种加速技术：按块递增计算即平铺、并在后向传递中重新计算注意力，将所有注意力操作融合到CUDA内核中。

FlashAttention使用平铺来防止大的𝑁×𝑁注意力矩阵（虚线框）在GPU HBM上物化(materialization)。在外部循环中（红色箭头），FlashAttention循环通过K和V矩阵的块，并将其加载到SRAM。

在每个区块中，FlashAttention 循环Q矩阵的区块（蓝色箭头）将其加载到 SRAM，并将注意力计算的输出写回 HBM。

这样就产生了一种注意力算法，在实际耗时（wall-clock time）内，其内存效率和速度都很高，相比于标准的注意力算法可以更少地访问HBM。

结果比现有注意力算法都快

研究人员评估了FlashAttention来训练Transformer的影响，包括训练时间、模型准确性，以及注意力运行时间和内存效率。

首先在训练速度上。FlashAttention比MLPerf 1.1的BERT速度记录高出15%。

在实现GPT-2上，比HuggingFace速度高出3倍，比Megatron的标准Transformer速度高出1.8倍，FlashAttention将LRA（long-range arena）的基准速度提高了2.4倍。

在模型质量，FlashAttention将Transformer扩展到更长的序列，并且质量更好。

长上下文的语言建模。

如图所示，使用FlashAttention可以让GPT-2上下文长度增加4倍的情况下，训练时间还比Megatron-LM优化实现快30%，同时也获得了0.7的困惑度（困惑度越低，说明语言模型越好）。

长文档分类

对较长序列的Transformer训练可以提高MIMIC-III和ECtHR数据集的性能，比如序列长度为16K在MIMIC上比长度512多出4.3分。

MIMIC-III：包含重症监护室病人的出院总结，每个都有多个标签注释；ECtHR：包含欧洲人权法案的法律案件；两个数据集都包含很长的文本文件。

此外，还完成了第一个能在Path-X和Path-256任务中实现非随机性能的Transformer模型。

之后，研究人员还完成了基准测试，测量FlashAttention和块状稀疏（Block-Sparse）FlashAttention的运行时间和内存性能，并与带有40GB HBM的A100 GPU上的各种注意力基线进行了比较。

结果显示，FlashAttention的运行时间，比PyTorch注意力实现快3倍；在短序列情况下，FlashAttention在短序列中仍比近似和稀疏注意力运行得快；至于块状稀疏的FlashAttention，在所有的序列长度上都比现有注意力实现都快。

至于在显存效率方面，FlashAttention比PyTorch注意力基线高20倍。

在64k序列长度、其他所有算法都已经耗尽显存的情况下，FlashAttention的效率仍比Linformer高2倍。

斯坦福博士一作

这篇研究来自斯坦福大学计算机系以及纽约州立大学布法罗分校。共同一作是两位斯坦福计算机博士生Tri Dao和Dan Fu。

感兴趣的朋友，可戳下方论文链接了解更多~

论文链接：
https://arxiv.org/abs/2205.14135
GitHub链接：
https://github.com/HazyResearch/flash-attention
参考链接：
https://twitter.com/tri_dao/status/1531437619791290369

— 完 —

直播报名 | 自动驾驶的量产之路：

为什么“渐进式”路径先看到了无人驾驶量产的曙光？

自动驾驶领域一直以来就有“渐进式”和“跨越式”两种路径之争，前者以特斯拉为代表，后者以Waymo为领头羊。

特斯拉宣布2024年实现新型“Robotaxi”的量产，而另一边是Waymo CEO离职，商业化落地裹足不前。在此背后，为什么“渐进式”路径被越来越多的机构看好？“渐进式”技术发展路径是什么？自动驾驶量产离我们的生活还有多远？

点这里👇关注我，记得标星哦～