来自：YeungNLP
此前，我们更多专注于大模型训练方面的技术分享和介绍，然而在完成模型训练之后，上线推理也是一项非常重要的工作。后续，我们将陆续撰写更多关于大模型推理优化的技术文章，包括但不限于KV Cache、PageAttention、FlashAttention、MQA、GQA等。
在本文中，我们将详细介绍KV Cache，这是一种大模型推理加速的方法。正如其名称所示，该方法通过缓存Attention中的K和V来实现推理优化。
01
大模型推理的冗余计算
我们先简单观察一下基于Decoder架构的大模型的生成过程。假设模型只是一层Self Attention，用户输入“中国的首都”，模型续写得到的输出为“是北京”，模型的生成过程如下：
  1. 将“中国的首都”输入模型，得到每个token的注意力表示（绿色部分）。使用“首都”的注意力表示，预测得到下一个token为“是”（实际还需要将该注意力表示映射成概率分布logits，为了方便叙述，我们忽略该步骤）。
  2. 将“是”拼接到原来的输入，得到“中国的首都是”，将其输入模型，得到注意力表示，使用“是”的注意力表示，预测得到下一个token为“北”。
  3. 将“北”拼接到原来的输入，依此类推，预测得到“京”，最终得到“中国的首都是北京”
在每一步生成中，仅使用输入序列中的最后一个token的注意力表示，即可预测出下一个token。但模型还是并行计算了所有token的注意力表示，其中产生了大量冗余的计算（包含qkv映射，attention计算等），并且输入的长度越长，产生的冗余计算量越大。例如：
  1. 在第一步中，我们仅需使用“首都”的注意力表示，即可预测得到“是”，但模型仍然会并行计算出“中国”，“的”这两个token的注意力表示。
  2. 在第二步中，我们仅需使用“是”的注意力表示，即可预测得到“北”，但模型仍然会并行计算“中国”，“的”，“首都”这三个token的注意力表示。
02
Self Attention
KV Cache正是通过某种缓存机制，避免上述的冗余计算，从而提升推理速度。在介绍KV Cache之前，我们有必要简单回顾self attention的计算机制，假设输入序列长度为  ，第  个token对于整个输入序列的注意力表示如下公式： 第 个token对于整个输入序列的注意力表示的计算步骤大致如下：
  1. 向量映射：将输入序列中的每个token的词向量分别映射为  三个向量。
  2. 注意力计算：使用  分别与每个  进行点乘，得到第  个token对每个token的注意力分数。
  3. 注意力分数归一化：对注意力分数进行softmax，得到注意力权重。
  4. 加权求和：注意力权重与对应的向量  加权求和，最终得到第  个token的注意力表示。
下面将以图像的方式帮助大家更形象地理解Self Attention。假设输入序列  ，  对于整个输入序列  的注意力表示为  ，它的计算过程如下图所示，  。
继续观察  对于整个输入序列 的注意力表示  ，它的计算过程如下图所示  。
03
KV Cache
在推理阶段，当输入长度为  ，我们仅需使用  即可预测出下一个token，但模型却会并行计算出  ，这部分会产生大量的冗余计算。而实际上  可直接通过公式  算出，即  的计算只与  、所有  和  有关。
KV Cache的本质是以空间换时间，它将历史输入的token的  和  缓存下来，避免每步生成都重新计算历史token的  和  以及注意力表示  ，而是直接通过 的方式计算得到  ，然后预测下一个token。
举个例子，用户输入“中国的首都”，模型续写得到的输出为“是北京”，KV Cache每一步的计算过程如下。
第一步生成时，缓存  均为空，输入为“中国的首都”，模型将按照常规方式并行计算：
  1. 并行计算得到每个token对应的  ，以及注意力表示  。
  2. 使用  预测下一个token，得到“是”。
  3. 更新缓存，令  ，  。

第二步生成时，计算流程如下：
  1. 仅将“是”输入模型，对其词向量进行映射，得到  。
  2. 更新缓存，令  ， 。
  3. 计算  ，预测下一个token，得到“北”
第三步生成时，计算流程如下：
  1. 仅将“北”输入模型，对其词向量进行映射，得到  。
  2. 更新缓存，令  ， 。
  3. 计算  ，预测下一个token，得到“京”。
上述生成流程中，只有在第一步生成时，模型需要计算所有token的  ，并且缓存下来。此后的每一步，仅需计算当前token的  ，更新缓存  ，然后使用  即可算出当前token的注意力表示，最后用来预测一下个token。
Hungging Face对于KV Cache的实现代码如下，结合注释可以更加清晰地理解其运算过程：
query, key, value = self.c_attn(hidden_states).split(self.split_size, dim=2)query = self._split_heads(query, self.num_heads, self.head_dim) # 当前token对应的querykey = self._split_heads(key, self.num_heads, self.head_dim) # 当前token对应的keyvalue = self._split_heads(value, self.num_heads, self.head_dim) # 当前token对应的valueif layer_past is not None: past_key, past_value = layer_past # KV Cache key = torch.cat((past_key, key), dim=-2) # 将当前token的key与历史的K拼接 value = torch.cat((past_value, value), dim=-2) # 将当前token的value与历史的V拼接if use_cache is True: present = (key, value)else: present = None# 使用当前token的query与K和V计算注意力表示if self.reorder_and_upcast_attn: attn_output, attn_weights = self._upcast_and_reordered_attn(query, key, value, attention_mask, head_mask)else: attn_output, attn_weights = self._attn(query, key, value, attention_mask, head_mask)
KV Cache是以空间换时间，当输入序列非常长的时候，需要缓存非常多k和v，显存占用非常大。为了缓解该问题，可以使用MQA、GQA、Page Attention等技术，在后续的文章中，我们也将对这些技术进行介绍。
备注：昵称-学校/公司-方向/会议(eg.ACL)，进入技术/投稿群
id：DLNLPer，记得备注呦
继续阅读
阅读原文