torch.nn.functional.scaled_dot_product_attention¶
- torch.nn.functional.scaled_dot_product_attention()¶
- scaled_dot_product_attention(query, key, value, attn_mask=None, dropout_p=0.0,
is_causal=False, scale=None, enable_gqa=False) -> Tensor
在查询、键和值张量上计算缩放点积注意力,使用可选的注意力掩码(如果传递),并在指定大于 0.0 的概率时应用丢弃。可选的 scale 参数只能作为关键字参数指定。
# Efficient implementation equivalent to the following: def scaled_dot_product_attention(query, key, value, attn_mask=None, dropout_p=0.0, is_causal=False, scale=None, enable_gqa=False) -> torch.Tensor: L, S = query.size(-2), key.size(-2) scale_factor = 1 / math.sqrt(query.size(-1)) if scale is None else scale attn_bias = torch.zeros(L, S, dtype=query.dtype) if is_causal: assert attn_mask is None temp_mask = torch.ones(L, S, dtype=torch.bool).tril(diagonal=0) attn_bias.masked_fill_(temp_mask.logical_not(), float("-inf")) attn_bias.to(query.dtype) if attn_mask is not None: if attn_mask.dtype == torch.bool: attn_bias.masked_fill_(attn_mask.logical_not(), float("-inf")) else: attn_bias += attn_mask if enable_gqa: key = key.repeat_interleave(query.size(-3)//key.size(-3), -3) value = value.repeat_interleave(query.size(-3)//value.size(-3), -3) attn_weight = query @ key.transpose(-2, -1) * scale_factor attn_weight += attn_bias attn_weight = torch.softmax(attn_weight, dim=-1) attn_weight = torch.dropout(attn_weight, dropout_p, train=True) return attn_weight @ value
警告
此函数为 beta 版本,可能会有所变化。
警告
此函数始终根据指定的
dropout_p
参数应用丢弃。若要在评估期间禁用丢弃,请确保在模块处于非训练模式时传递0.0
的值。例如
class MyModel(nn.Module): def __init__(self, p=0.5): super().__init__() self.p = p def forward(self, ...): return F.scaled_dot_product_attention(..., dropout_p=(self.p if self.training else 0.0))
注意
目前支持三种缩放点积注意力的实现方法
与上述公式一致的用 C++ 编写的 PyTorch 实现
当使用 CUDA 后端时,此函数可能会调用经过优化的内核来提高性能。对于所有其他后端,将使用 PyTorch 实现。
默认情况下启用所有实现。缩放点积注意力尝试根据输入自动选择最佳实现。为了提供对使用哪些实现的更细粒度的控制,提供了以下函数来启用和禁用实现。上下文管理器是首选机制
torch.nn.attention.sdpa_kernel()
: 用于启用或禁用任何实现的上下文管理器。torch.backends.cuda.enable_flash_sdp()
: 全局启用或禁用 FlashAttention。torch.backends.cuda.enable_mem_efficient_sdp()
: 全局启用或禁用内存高效注意力。torch.backends.cuda.enable_math_sdp()
: 全局启用或禁用 PyTorch C++ 实现。
每个融合内核都有特定的输入限制。如果用户需要使用特定的融合实现,请使用
torch.nn.attention.sdpa_kernel()
禁用 PyTorch C++ 实现。如果融合实现不可用,将发出警告,说明融合实现无法运行的原因。由于浮点运算融合的性质,此函数的输出可能因所选后端内核而异。c++ 实现支持 torch.float64,可以在需要更高精度时使用。对于数学后端,如果输入为 torch.half 或 torch.bfloat16,则所有中间结果将保留在 torch.float 中。
有关更多信息,请参见 数值精度
分组查询注意力 (GQA) 是一项实验性功能。目前它仅适用于 CUDA 张量上的 Flash_attention 和数学内核,不支持嵌套张量。GQA 的约束条件
number_of_heads_query % number_of_heads_key_value == 0 且
number_of_heads_key == number_of_heads_value
注意
在某些情况下,当在 CUDA 设备上提供张量并使用 CuDNN 时,此运算符可能会选择非确定性算法以提高性能。如果这是不可取的,您可以尝试通过设置
torch.backends.cudnn.deterministic = True
使运算确定性(这可能会影响性能)。有关更多信息,请参见 可重复性。- 参数
query (Tensor) – 查询张量;形状 .
key (张量) – 键张量;形状为 .
value (张量) – 值张量;形状为 .
attn_mask (可选张量) – 注意力掩码;形状必须可广播到注意力权重的形状,即 . 支持两种类型的掩码。布尔掩码,其中 True 表示元素 *应该* 参与注意力。与查询、键、值相同类型、添加至注意力得分的浮点掩码。
dropout_p (浮点数) – 丢弃概率;如果大于 0.0,则应用丢弃。
is_causal (布尔值) – 如果设置为 true,当掩码为方阵时,注意力掩码为下三角矩阵。当掩码为非方阵时,注意力掩码具有由于对齐导致的左上角因果偏差的形式(参见
torch.nn.attention.bias.CausalBias
)。如果同时设置了 attn_mask 和 is_causal,则会抛出错误。scale (可选 python:浮点数, 关键字参数) – 在 softmax 之前应用的缩放因子。如果为 None,则默认值设置为
enable_gqa (布尔值) – 如果设置为 True,则启用分组查询注意力 (GQA),默认情况下设置为 False。
- 返回值
注意力输出;形状为 .
- 返回类型
output (张量)
- 形状说明
示例
>>> # Optionally use the context manager to ensure one of the fused kernels is run >>> query = torch.rand(32, 8, 128, 64, dtype=torch.float16, device="cuda") >>> key = torch.rand(32, 8, 128, 64, dtype=torch.float16, device="cuda") >>> value = torch.rand(32, 8, 128, 64, dtype=torch.float16, device="cuda") >>> with sdpa_kernel(backends=[SDPBackend.FLASH_ATTENTION]): >>> F.scaled_dot_product_attention(query,key,value)
>>> # Sample for GQA for llama3 >>> query = torch.rand(32, 32, 128, 64, dtype=torch.float16, device="cuda") >>> key = torch.rand(32, 8, 128, 64, dtype=torch.float16, device="cuda") >>> value = torch.rand(32, 8, 128, 64, dtype=torch.float16, device="cuda") >>> with sdpa_kernel(backends=[SDPBackend.MATH]): >>> F.scaled_dot_product_attention(query,key,value,enable_gqa=True)