Phase 07: Transformers Deep Dive

KV Kaş, Flash Dikkat ve İnferans Optimizasyonu

Type: Build

Languages: Python

Prerequisites: Phase 7 · 02 (Self-Attention), Phase 7 · 05 (Full Transformer), Phase 7 · 07 (GPT)

Time: ~75 minutes

Sorun

Saf bir otomatik gerileme dekodörü yapar .O(N²)üretmek için çalışmak NTokens: her adımda dikkatini tam önbellek üzerinde yeniden hesaplar. 16M dikkat işlemleri olan 4K-token yanıt için, çoğu fazladan. Bir önbellek tokeninin her gizli durumu hesaplandığında belirlenir.

Bu nedenle, dikkat, bir çok veriyi hareket ettirir. Standart dikkat N×N puan matrisi, N×d softmax çıkışı, N×d son çıkışı çok fazla okuma ve HBM'ye yazma yapar. N≥2K için, dikkat FLOP-a bağlı olmadan önce hafıza bağlanır. Klasik dikkat çekirdekleri modern GPU'ları 410×'ya az kullanır.

Dao et al'dan gelen iki optimizasyon, sınır çıkarımını "yavaş"tan "hızlı"a doğru harekete geçirdi:

1. KV cache.Her ön işaret simgesinin K ve V vektörlerini saklayın. Her yeni simgenin dikkatini önbelleğe alınan anahtarlara karşı bir sorgu oluşturur.O(N²)- ...O(N)Bir nesil adım başına.
2. Flash Attention.Dikkat hesaplamalarını çizin böylece tam N×N matrisi asla HBM'ye ulaşmaz. Tüm softmax + matmul SRAM'da gerçekleşir. A100'de 24× duvar saati hızlandırması; FP8 ile H100'de 510×.

2026 yılına kadar her iki üretim sonuç kümesi (vLLM, TensorRT-LLM, SGLang, llama.cpp) onları varsayır.

Anlaşım

!KV cache growth and Flash Attention tiling

KV önbelleği matematik

Dekodör katmanı, token başına:

Copybytes_per_token_per_layer = 2 * d_head * dtype_size
                          ^
                          K and V

32 katmanlı, 32 başlı, d_head=128, fp16 bir 7B modeli için:

Copyper token per layer = 2 * 128 * 2 = 512 bytes
per token (32 layers) = 16 KB
per 32K context = 512 MB

Llama 3 70B için (80 katman, d_head=128, GQA 8 KV başlı):

Copyper token per layer = 2 * 8 * 128 * 2 = 4096 bytes (4 KB)
per 32K context = 10.4 GB

Bu 10 GB'lık bir durum için Llama 3 70B'nin 128K bağlamında sadece KV önbelleği için 40 GB A100'in çoğu gerekir.

GQA is the KV-cache win.64 başlı MHA 32 GB'dır. MLA daha da sıkıştırır.

Boyutları sürükle ve önbelleğin boyutunun hareketini izle.

Akşam dikkat kapaklama hilesi

Standart dikkat:

CopyS = Q @ K^T          (HBM read, N×N, HBM write)
P = softmax(S)       (HBM read, HBM write)
O = P @ V            (HBM read, HBM write)

HBM'de 3 TB/s bant genişliği, SRAM'da 30 TB/s. Her HBM seferinde 10 oranında yavaşlama var.

Akıllı Dikkat:

Copyfor each block of Q (tile size ~128 × 128):
    load Q_tile into SRAM
    for each block of K, V:
        load K_tile, V_tile into SRAM
        compute S_tile = Q_tile @ K_tile^T     (SRAM)
        running softmax aggregation             (SRAM)
        accumulate into O_tile                  (SRAM)
    write O_tile to HBM

Bir HBM seferı tek tek tekerlek.O(N²)- ...O(N)Geri geçiş, ileri geçişten bazı değerleri yeniden hesaplar ve onları saklar.

Numerical trick.Softmax çalışmasını sürdürüyor (max, sum)Flash dikkat, bit-tıpkı standart dikkat için çıkış hesaplar (modulo fp16 ilişkisizliği).

Version evolution:

Flash 4 sadece fırlatma sırasında ilerleme kaydetmektedir. Eğitim hala Flash 3 kullanır. GQA ve varlen desteği Flash 4 için beklenmektedir (2026 ortalarında).

Spekülatör çözme diğer gecikme kazan

Ucuz model N simgeler önerir. Büyük model tüm N'leri paralel olarak doğruluyor. Eğer doğrulama k simgeler kabul ederse, k nesiller için 1 büyük model ileri geçiş ödediğiniz. Tipik k = 35 kod ve prozda.

2026'da geçersiz olanlar:

• EAGLE 2 / Medusa.Verifikatörün gizli durumlarını paylaşan entegre taslak başlıkları. Kalite kaybı olmadan 2 3 hızlandırma.
• Speculative decoding with draft model.İsteğe bağlı donanımlarda 2×4 hızlanma.
• Lookahead decoding.Jacobi iterasyonu, bir taslak modeli gerekmiyor.

Sürekli serileme

Klasik seri sonucu: en yavaş dizinin bitmesini bekle, sonra yeni bir seri başlat. Kısa cevaplar erken bitince GPU'yı harcıyor.

Sürekli serileme (İlk olarak Orca'da, şimdi vLLM, TensorRT-LLM, SGLang'da gönderilmiştir): Eski istekler bittikten sonra yeni istekleri partiye değiştirin.

PagedAttention KV önbelleği sanal bellek olarak

vLLM'nin başlık özelliği. KV önbelleği 16 token bloklarına ayrılır; bir sayfa tablosu mantıksal konumları fiziksel bloklara haritası yapar. KV'yi paralel örnekler (şekil arama, paralel örnekleme), hızlı önbelleğe sıcak değişim önlükleri ve defragman belleği arasında paylaşabilir.

Yapın

Bakın .code/main.pyBu uygulamayı uyguluyoruz:

1. Saf bir adam .O(N²)Gelişmiş dekodör.
2. A.O(N)KV-cached dekodör.
3. Flash Attention'ın çalıştırma maksimum algoritmasını simüle eden bir softmax.

Adım 1: KV önbelleği

pythonCopyclass KVCache:
    def __init__(self, n_layers, n_heads, d_head):
        self.K = [[[] for _ in range(n_heads)] for _ in range(n_layers)]
        self.V = [[[] for _ in range(n_heads)] for _ in range(n_layers)]

    def append(self, layer, head, k, v):
        self.K[layer][head].append(k)
        self.V[layer][head].append(v)

    def read(self, layer, head):
        return self.K[layer][head], self.V[layer][head]

Basit: her token için K ve V vektörlerini katmanlık, başlık listesinde büyütmeye devam edin.

Adım 2: Plaklı softmax

pythonCopydef tiled_softmax_dot(q, K, V, tile=4):
    """Flash-attention-style softmax(qK^T)V with running max/sum."""
    m = float("-inf")
    s = 0.0
    out = [0.0] * len(V[0])
    for start in range(0, len(K), tile):
        k_block = K[start:start + tile]
        v_block = V[start:start + tile]
        scores = [sum(qi * ki for qi, ki in zip(q, k)) for k in k_block]
        new_m = max(m, *scores)
        exp_old = math.exp(m - new_m) if m != float("-inf") else 0.0
        exp_new = [math.exp(sc - new_m) for sc in scores]
        s = s * exp_old + sum(exp_new)
        for j in range(len(out)):
            out[j] = out[j] * exp_old + sum(e * v[j] for e, v in zip(exp_new, v_block))
        m = new_m
    return [o / s for o in out]

Bit-iynet çıkış softmax(qK) VBir çekimde, ama her zaman çalışma seti bir tile × d_head- Blok, tam değil.N × d_head- Evet .

Adım 3: 100 token neslinde saf ve önbelleğe alınan kodlama ile karşılaştırın

Dikkat operasyonlarını say.O(N²)= 5050 .O(N)Kodu her ikisini de basıyor.

Kullan

pythonCopy# HuggingFace transformers auto-enables KV cache on decoder-only generate().
from transformers import AutoModelForCausalLM
model = AutoModelForCausalLM.from_pretrained(
    "meta-llama/Llama-3.2-3B",
    attn_implementation="flash_attention_2",  # use FA3 if Hopper
    torch_dtype="bfloat16",
)
# generate() uses KV cache automatically

VLLM üretimi:

bashCopypip install vllm
vllm serve meta-llama/Llama-3.1-70B-Instruct \
    --tensor-parallel-size 4 \
    --max-model-len 32768 \
    --enable-prefix-caching \
    --kv-cache-dtype fp8

Önbellek önbelleği istekler arasında büyük bir 2026 kazanç aynı sistem prompt, birkaç atış örnekleri veya uzun bağlam belgesini tekrar kullanır KV aramalar arasında. Tekrarlanan araç istekleri ile ajan iş yükleri için önbellek önbelleği rutin olarak 5× throughput kazançtır.

Gönder

Bakın .outputs/skill-inference-optimizer.md. Yetenek yeni bir sonucu uygulaması için dikkat uygulaması, KV önbelleği stratejisi, kuantitasyon ve spekülatör çözümü seçer.

Egzersizler

1. Easy.Çık .code/main.py- Naif ve önbelleğe alınmış dekodörlerin aynı çıkış ürettiğini onaylayın; op-count farkını not edin.
2. Medium.Önbellek önbelleği önbelleği uygulaması: bir istek P ve birkaç tamamlama verildiğinde, KV önbelleğini doldurmak için P üzerinde bir ileri geçiş çalıştırın, sonra tamamlama başına dal.
3. Hard.Bir oyuncak uygulamak PagedAttention: KV önbelleği sabit 16 jeton bloklarında serbest liste ile. Bir dizi tamamlandığında, bloklarını havuza geri gönderin. Çeşitli uzunluklarla 1.000 sohbet tamamlamasını simüle edin. Hatırlama parçalanması vs. bitişik tahsis karşılaştırın.

Anahtar Terimler

Daha Fazla Okumak

• Dao et al. (2022). FlashAttention: Fast and Memory-Efficient Exact Attention with IO-Awareness Flash 1.
• Dao (2023). FlashAttention-2: Faster Attention with Better Parallelism and Work Partitioning Flash 2.
• Shah et al. (2024). FlashAttention-3: Fast and Accurate Attention with Asynchrony and Low-precision Flash 3.
• FlashAttention-4 release notes (Dao-AILab, 2026) Blackwell 5 aşamalı boru hattı ve yazılım-exp2 hilesi; bu derste bahsedilen sadece ileriye atılma uyarıları için repo README'yi okuyun.
• Kwon et al. (2023). Efficient Memory Management for Large Language Model Serving with PagedAttention- VLLM kağıdı.
• Leviathan et al. (2023). Fast Inference from Transformers via Speculative Decoding Spec kodlaması.
• Li et al. (2024). EAGLE: Speculative Sampling Requires Rethinking Feature Uncertainty Örgütlerdeki bütünleşmiş taslak yaklaşımı için EAGLE-1/2 makalesi.
• Cai et al. (2024). Medusa: Simple LLM Inference Acceleration Framework with Multiple Decoding Heads Medusa yaklaşımı, Eagle ile birlikte referans edildi.
• vLLM docs — PagedAttention 16 token blok ve sayfa tablo tasarımı üzerinde kanonik derin dalış.

This free lesson is part of the AI Engineering from Scratch curriculum. Read the full explanation, run the lesson code, and verify the result in the interactive reader or from the repository source.

Browse the complete course catalog or open this lesson on GitHub.