使用加速 Transformer 加速大型语言模型

TL;DR. 我们将展示如何使用加速的PyTorch 2.0 Transformer和新引入的torch.compile()方法来加速大型语言模型，以Andre Karpathy的GPT模型紧凑开源实现nanoGPT为例。通过使用加速PT2 Transformer引入的新缩放点积注意力运算符，我们选择了flash_attention自定义内核，并实现了更快的每批训练时间（使用Nvidia A100 GPU测量），从基线的约143毫秒/批提高到约113毫秒/批。此外，使用SDPA运算符增强的实现提供了更好的数值稳定性。最后，通过使用填充输入实现了进一步的优化，当与flash attention结合时，可达到约87毫秒/批。

近来，大型语言模型（LLMs）和生成式AI在日常生活中得到了指数级的普及。与这些不断增长的模型紧密相关的是不断增长的训练成本——无论是时间还是硬件利用率。PyTorch团队已经通过加速PyTorch 2 Transformer（以前称为“Better Transformer”）和PyTorch 2.0中的JIT编译正面应对了这些挑战。

在本篇博客文章中，我们探讨了通过利用SDPA（也称为缩放点积注意力）的自定义内核实现所获得的训练优化，SDPA是Transformer模型中的关键层。SDPA的自定义内核用一个全局优化的内核取代了几个离散的顺序操作，从而避免了分配大量的中间CUDA内存。这种方法具有多项优点，包括但不限于：通过减少内存带宽瓶颈实现SDPA的更高性能计算、减少内存占用以支持更大的批次大小，以及通过对输入张量进行预缩放来增加数值稳定性。这些优化在Andrej Karpathy的GPT开源实现nanoGPT上得到了验证。

背景

缩放点积注意力是多头注意力的基本组成部分，如“Attention is All You Need”一文中所介绍，并在LLM和生成式AI模型中具有广泛的应用。

图1：基于“Attention is All You Need”的Transformer模型架构。借助新的PyTorch SDPA运算符，多头注意力通过一个用于内投影的线性层、SDPA运算符和一个用于外投影的线性层高效实现。

利用新的scaled_dot_product_attention运算符，多头注意力只需3个步骤即可实现：使用线性层进行内投影，SDPA，以及使用线性层进行外投影。

# In Projection
# variable descriptions:
# q,k,v = Query, Key, Value tensors
# bsz = batch size
# num_heads = Numner of heads for Multihead Attention
# tgt_len = Target length
# src_len = Source Length
# head_dim: Head Dimension
    q, k, v = _in_projection(query, key, value, q_proj_weight, k_proj_weight, v_proj_weight, b_q, b_k, b_v)
    q = q.view(bsz, num_heads, tgt_len, head_dim)
    k = k.view(bsz, num_heads, src_len, head_dim)
    v = v.view(bsz, num_heads, src_len, head_dim)

    # Scaled Dot Product Attention
    attn_output = scaled_dot_product_attention(q, k, v, attn_mask, dropout_p, is_causal)

    # Out Projection
    attn_output = attn_output.permute(2, 0, 1, 3).contiguous().view(bsz * tgt_len, embed_dim)
    attn_output = linear(attn_output, out_proj_weight, out_proj_bias)
    attn_output = attn_output.view(tgt_len, bsz, attn_output.size(1))

PyTorch 2.支持针对特定用例和特定要求优化的多种不同内核。内核选择器会为特定输入参数组合选择最佳内核。如果无法为特定输入参数组合识别出优化的“自定义内核”，内核选择器将选择一个可以处理所有输入组合的通用内核。

虽然未来的版本可能会扩展此运算符集，但PyTorch 2.0推出了SDPA运算符的3种实现：

1. 一个通用内核，它在函数sdpa_math()中实现了SDPA的数学方程。
2. 一个基于论文“Flash Attention”的优化内核，支持在计算架构SM80（A100）上使用16位浮点数据类型评估SDPA。
3. 一个基于论文“Self-Attention Does Not Need O(n^2) Memory”并在xFormer中实现的优化内核，它支持在更广泛的架构（SM40及更高版本）上使用32位和16位浮点数据类型。本博客文章将此内核称为mem_efficient内核。

请注意，这两种优化内核（上面列出的第二种和第三种）都支持键填充掩码，并将支持的注意力掩码限制为因果注意力。目前，加速的PyTorch 2.0 Transformer仅在通过is_causal布尔值指定时才支持因果掩码。当指定掩码时，将选择通用内核，因为分析提供的掩码内容以确定它是否是因果掩码的成本太高。有关每个内核的约束的更多解释可以在加速PT2 Transformer博客中找到。

使用nanoGPT启用加速Transformer

SDPA运算符是GPT模型的关键组成部分，我们认为开源nanoGPT模型是演示PyTorch 2.0加速Transformer易于实现和其优势的绝佳选择。以下详细说明了在nanoGPT上启用加速Transformer的确切过程。

这个过程主要围绕着将现有的SDPA实现替换为functional.py中新添加的F.scaled_dot_product_attention运算符。这个过程可以很容易地适用于在许多其他LLM中启用该运算符。或者，用户也可以选择调用F.multi_head_attention_forward()或直接使用nn.MultiHeadAttention模块（如果适用）。以下代码片段改编自Karpathy的nanoGPT存储库。

步骤1：识别现有SDPA实现

在nanoGPT的例子中，SDPA实现在模型的CausalSelfAttention类中。撰写本文时，其原始实现已针对本文进行改编。

步骤2：替换为Torch的scaled_dot_product_attention

此时我们可以注意到以下几点：

• 第36-42行定义了我们要替换的SDPA的数学实现。
• 第39行应用的掩码不再相关，因为我们使用的是scaled_dot_product_attention的is_causal标志。
• 第41行使用的dropout层现在也变得不必要。

将SDPA实现替换为torch的scaled_dot_product_attention并删除现在多余的代码，得到以下实现。

或者，原始掩码可以传递到attn_mask字段，但是由于前面提到的内核限制，这将使实现仅支持通用的sdpa_math内核。

步骤3（附加）：使用填充加速矩阵乘法

除了SDPA带来的性能提升外，我们的分析还发现了一个不错的附加优势。用Andrej的话来说，“迄今为止，nanoGPT最显著的优化（约25%的加速）是简单地将词汇量从50257增加到50304（最近的64的倍数）。”

词汇量决定了GPT输出层中矩阵乘法的维度，这些维度非常大，以至于它们占据了整个训练循环的大部分时间！我们发现它们的性能显著低于A100 GPU可实现的峰值吞吐量，并从NVIDIA的矩阵乘法文档中猜测，64元素对齐会产生更好的结果。实际上，填充这些矩阵乘法可以实现近3倍的加速！根本原因是未对齐的内存访问会显著降低效率。更深入的分析可以在此Twitter线程中找到。

通过这项优化，我们将每批次的训练时间从约113毫秒（使用闪存注意力）进一步缩短至约87毫秒。

结果

下图展示了使用Pytorch自定义内核所获得的性能。以下是具体数据：

• 基线（nanoGPT实现）：约143毫秒
• sdpa_math（通用）：约134毫秒（快6.71%）
• mem_efficient内核：约119毫秒（快20.16%）
• flash_attention内核：约113毫秒（快26.54%）
• flash_attention + 填充词汇：约87毫秒（快64.37%）

所有代码均在配备8个NVIDIA Corporation A100服务器（80 GB HBM [A100 SXM4 80GB]）上运行，本次实验中，dropout设置为0。

图2：使用带自定义内核和torch.compile的缩放点积注意力，可显著加速大型语言模型（如此处所示的nanoGPT）的训练。

增强模型数值稳定性

除了速度更快之外，PyTorch的实现通过避免在许多执行场景中丢失精度，提供了更高的数值稳定性。这里有一个很好的解释。，但实质上，PyTorch实现是在乘法之前对Query和Key矩阵进行缩放，这被认为更稳定并避免了精度损失。由于SDPA合并了自定义内核架构，这种缩放不会在注意力结果的计算中引入额外的开销。相比之下，来自单个计算组件的实现将需要单独的预缩放，并带来额外的成本。有关更多解释，请参阅附录A。

改进内存消耗

使用torch SDPA内核的另一个巨大优势是内存占用减少，这允许使用更大的批量大小。下表比较了flash attention和因果注意力的基线实现训练一小时后的最佳验证损失。可以看出，基线因果注意力实现（在8个NVIDIA Corporation A100服务器上，配备80 GB HBM）所能达到的最大批量大小为24，远小于flash attention所能达到的最大批量大小39。

图3：使用Flash Attention可以启用更大的批量大小，允许用户在训练一小时后获得更低的验证损失（越低越好）。

结论

加速的 PyTorch 2 Transformers 旨在使最先进的 Transformer 模型的训练和生产部署变得经济实惠，并与 PyTorch 2.0 模型 JIT 编译集成。新引入的 PyTorch SDPA 运算符为 Transformer 模型训练提供了改进的性能，对于昂贵的大型语言模型训练尤其有价值。在这篇文章中，我们以 nanoGPT 模型为例，展示了多项优化，包括：

• 与基线相比，在批大小不变的情况下，训练速度提升超过26%。
• 通过填充词汇量实现了额外的加速，使总优化比基线提高了约64%。
• 额外的数值稳定性

附录A：注意力数值稳定性分析

在本节中，我们对前面提到的通过预缩放SDPA输入向量获得的增强数值稳定性进行更深入的解释。以下是nanoGPT SDPA数学实现的一个简化版本。这里需要注意的是，查询在未经缩放的情况下进行了矩阵乘法。

# nanoGPT implementation of SDPA
# notice q (our query vector) is not scaled !
att = (q @ k.transpose(-2, -1)) * (1.0 / math.sqrt(k.size(-1)))
att = att.masked_fill(self.bias[:,:,:T,:T] == 0, float('-inf'))
att = F.softmax(att, dim=-1)

# Dropout is set to 0, so we can safely ignore this line in the implementation# att = self.attn_dropout(att) 

y_nanogpt = att @ v # (B, nh, T, T) x (B, nh, T, hs) -> (B, nh, T, hs)

以下是torch的scaled_dot_product_attention中等效的数学实现。

# PyTorch implementation of SDPA
embed_size = q.size(-1)
scaling_factor = math.sqrt(math.sqrt(embed_size))
q = q / scaling_factor 	# notice q _is_ scaled here !

# same as above, but with scaling factor
att = q @ (k.transpose(-2, -1) / scaling_factor)
att = att.masked_fill(self.bias[:,:,:T,:T] == 0, float('-inf'))
att = F.softmax(att0, dim=-1)

# Dropout is set to 0, so we can safely ignore this line in the implementation# att = self.attn_dropout(att) 

y_scale_before = att @ v

从数学上讲，这两种方法应该等效，但我们的实验表明，在实践中，我们从每种方法中得到了不同的结果。

使用上述方法，我们验证了y_scale_before与使用scaled_dot_product_attention方法得到的预期输出匹配，而y_nanogpt则不匹配。

torch.allclose方法用于测试等效性。具体来说，我们表明：

y_sdpa = torch.nn.functional._scaled_dot_product_attention(
	q,
	k,
	v,
	attn_mask=self.bias[:,:,:T,:T] != 0,
	dropout_p=0.0,
	need_attn_weights=False,
	is_causal=False,
)

torch.allclose(y_sdpa, y_nanogpt) # False, indicating fp issues
torch.allclose(y_sdpa, y_scale_before) # True, as expected

附录B：复现实验结果

希望复现这些结果的研究人员应从Andrej的nanoGPT仓库中的以下提交开始——b3c17c6c6a363357623f223aaa4a8b1e89d0a465。此提交在测量每批次速度提升时用作基线。对于包含填充词汇优化（对批次速度提升最显著）的结果，请使用以下提交——77e7e04c2657846ddf30c1ca2dd9f7cbb93ddeab。从任一检出，使用torch.backends API选择用于实验的内核变得非常简单。

可以通过上下文管理器选择所需的内核。

with torch.backends.cuda.sdp_kernel (
    enable_math = False,
    enable_flash = False,
    enable_mem_efficient = True
):
    train(model)