22 search results for "Flash Attention"

大型语言模型（LLMs）如ChatGPT和Llama因其出色的自然语言处理能力而受到广泛关注，能够实现从文本生成到代码完成等各种应用。尽管它们的效用巨大，但这些模型的高运营成本也带来了重大挑战，促使研究人员寻求创新解决方案以增强其效率和可扩展性。 由于生成单个响应的平均成本为0.01美元，将这些模型扩展以为数十亿用户提供服务，每个用户每天进行多次互动，相关费用可能迅速变得巨大。这些成本尤其在复杂任务（如代码自动完成）中可能呈指数级增长，在编码过程中，模型一直处于运行状态。鉴于对优化解码过程的迫切需求，研究人员已探索了一些技术，以简化和加速注意力操作，这是生成连贯和上下文相关文本的重要组成部分。 LLM的推理，通常称为解码，涉及一次一步生成令牌，其中注意力操作是决定整体生成时间的重要因素。尽管像FlashAttention v2和FasterTransformer这样的进展优化了训练过程，通过优化内存带宽和计算资源，但在推理阶段仍存在挑战。在解码过程中遇到的主要限制之一与较长的上下文相关联的注意力操作的可扩展性有关。随着越来越多的LLM任务处理更广泛的文档、对话和代码库，注意力操作可能消耗大量的推理时间，从而影响模型的整体效率。 研究人员提出了一种突破性技术，称为Flash-Decoding，以解决这些挑战，借鉴以前的方法的基础。Flash-Decoding的关键创新在于其并行化方法，它以关键字和值的序列长度为中心。通过将关键字和值分割为较小的片段，该方法即使在较小批量大小和较长上下文的情况下，也能高效利用GPU。Flash-Decoding通过利用并行化的注意力计算和对数求和指数函数，大大减少了GPU内存需求，促进了整个模型架构的流畅和高效计算。 为了评估Flash-Decoding的有效性，对最先进的CodeLLaMa-34b模型进行了全面的基准测试，该模型以其强大的架构和先进的功能而闻名。结果显示，与现有方法相比，对于较长序列，解码速度提高了8倍。此外，对不同序列长度和批量大小的缩放多头注意力进行的微基准测试进一步验证了Flash-Decoding的有效性，即使将序列长度扩展到64k，也展示了其稳定的性能。这种出色的性能在显著提高LLM的效率和可扩展性方面起到了重要作用，标志着大型语言模型推理技术的重大进展。 总之，Flash-Decoding已成为解决大型语言模型解码过程中注意力操作相关挑战的变革性解决方案。通过优化GPU利用率和提高整体模型性能，Flash-Decoding有潜力大幅降低运营成本，并促进这些模型在各种应用中的更广泛使用。这种开创性技术代表了大型语言模型推理领域的重要里程碑，为提高自然语言处理技术的效率和加速进步铺平了道路。

Translate this html (keep the html code in the result) to Chinese: 高效地在延长序列中进行推理是机器学习中的主要难题。最近，卷积已经成为序列建模的关键原始，支持语言建模、时间序列分析、计算机视觉、DNA建模等领域的最新性能。尽管有这些令人印象深刻的质量发现和其他优势，如随着序列长度增加的改进稳定性和更好的可扩展性，卷积序列模型仍然比Transformer模型慢得多。 一个主要原因是硬件支持不稳定。与视觉应用中使用的短滤波器相比，序列建模中的卷积经常使用与输入序列长度一样长的滤波器。快速傅里叶变换（FFT）卷积算法通过映射输入和输出频率来计算输入u和卷积核k之间的卷积。 尽管渐近有效，但FFT卷积算法在现代加速器上的计时效果较低。然而，系统技术的进步使得Transformer模型能够达到当前加速器的极限，在使用FlashAttention-v2时，端到端FLOP使用率超过72%。 为了提供更长的上下文能力，斯坦福大学的一项新研究调查了如何在现代加速器上优化FFT卷积方法。研究人员认为，随着FlashAttention等系统的进步，导致了更好的模型和新的注意力算法，优化FFT卷积将会产生新的更好的算法，提升卷积序列模型的质量。 FFT卷积可以很容易地优化短序列。常见的做法是在多个批次中重复使用卷积核滤波器，这使得可以在重复使用之前预先计算滤波器的FFT。因此，FFT卷积在批次和滤波器之间是并行的，并且内核融合允许将中间卷积输出缓存在静态随机存取存储器（SRAM）或寄存器中。 然而，团队指出，随着序列长度的增加，出现了两个主要瓶颈。就当前加速器而言，FFT卷积不会充分利用专用矩阵-矩阵乘法单元。 其次，随着序列变得过长而无法适应SRAM，内核融合失败，需要进行昂贵的输入/输出操作。用于因果关系的填充操作以及从实值输入/输出转换为复值FFT中间结果可能进一步增加这些I/O成本。 为此，研究人员提出了一种名为FlashFFTConv的新算法，该算法采用了FFT的Monarch分解，以优化针对长序列的FFT卷积。通过p阶Monarch分解，FFT可以通过一系列p个矩阵-矩阵乘法操作有效地传输到硬件中。较大的p值由于较小的矩阵而导致更少的FLOP成本，但需要更多的I/O来传递中间结果。因此，涉及到权衡。 该研究演示了如何基于序列长度使用简单的成本模型来优化FLOP成本和I/O成本，在GPU上优化p。除了在更长的序列长度上促进内核融合之外，该分解还减少了必须在SRAM中维护的序列的数量。因此，FlashFFTConv可以轻松处理从256个字符到400万个字符的序列。通过使用实值FFT算法并在输入进行零填充时跳过部分矩阵-乘法操作，FlashFFTConv可以将FFT操作的长度减少多达一半。最后但并非最不重要的是，FFT卷积的矩阵视图为实施两个架构修改提供了简单的界面：偏差卷积和频率稀疏卷积。这两种方法可以简单地通过省略矩阵分解的部分来实现，从而降低内存占用和计时运行时间，并可以看作是Transformer中稀疏/近似注意力的卷积并行。 研究人员证明了FlashFFTConv加速了FFT卷积，从而实现了更好的质量、更高效和更长的序列模型。 通过更好的效率，FlashFFTConv提高了卷积序列模型的质量：在相同的计算预算下，FlashFFTConv使Hyena-GPT-s的困惑度提高了2.3个点，并使M2-BERT-base的平均GLUE分数提高了3.3个，性能提升相当于模型参数加倍。 与PyTorch相比，FlashFFTConv在卷积效率方面提高了高达7.93倍，并在内存节省方面提高了高达5.60倍，而且这种高效性在序列长度上可以达到四个数量级。对于长度为2K及以上的序列，FlashFFTConv在计时效果上快于FlashAttention-v2端到端，原因是FLOP成本更低，并且实现了高达62.3%的端到端FLOP使用率，仅比FlashAttention-v2少10%。 FlashFFTConv使更长序列的模型成为可能。FlashFFTConv生成的模型是唯一能够完成长阶竞技场基准的Path-512作业（序列长度为256K）的模型，用于高分辨率图片分类。FlashFFTConv是第一个以单核苷酸分辨率嵌入最长人类基因（长达230万个碱基对）的模型；通过部分卷积，它将HyenaDNA扩展到4M的序列长度。…