斯坦福博士独作!大模型训练速度再翻倍,还官宣加入明星创业公司当首席科学家
现有大语言模型的训练和推理速度,还能再快一点——
快多少?2-4倍。
各种大模型都在用的FlashAttention今天正式发布第2代并开源,所有Transformer架构的模型都可使用它来加速。
一代方法去年6月发布,无需任何近似即可加速注意力并减少内存占用。
现在,FlashAttention-2将它再度升级,使其核心注意力操作的速度再提高2倍,端到端训练Transformer时的速度再提高1.3倍,并可在英伟达A100上训练时实现72%的模型FLOP利用率(一般模型都在50%上下)。
鉴于现在炼一个大语言模型的成本高达数千万美元,FlashAttention-2这一系列操作直接就能帮我们省掉数百万(美元)!
网友惊得脏话都出来了(狗头):
目前,这个项目已在GitHub上收获4.4k标星。
与此同时,我们注意到,它的一作已经完成斯坦福博士学位并加盟大模型创业公司Together AI。
具体实现
据介绍,一代FlashAttention是一种对注意力计算重新排序的算法,它利用经典方法如tiling(切片)来显著加快计算速度,并将序列长度的内存使用量从二次方减为线性。
其中tiling方法指的是将输入块从HBM(GPU内存)加载到SRAM(快速缓存),然后对该块进行attention操作,再更新HBM中的输出。
对HBM的反复读写就成了最大的性能瓶颈。
正是这种通过避免将大型中间注意力矩阵写入HBM的方法,FlashAttention减少了内存读/写量,从而带来2-4倍的时钟时间加速。
然而,这个算法仍然存在一些低效率的问题,导致它仍然不如优化矩阵乘法(GEMM)运算来得快,最终仅达到理论最大FLOPs/s的25-40%(例如在A100上最多124TFLOPs/s)。
究其原因,还是因为不同线程块之间的工作和GPU上的wrap划分不理想。
在此,FlashAttention-2进行了三方面的改进。
首先,在基础算法上,减少非matmul(矩阵乘法)FLOP的数量。
一层原因是由于现代GPU具有专门的计算单元,matmul速度更快。例如A100上FP16/BF16matmul的最大理论吞吐量为312TFLOPs/s,但非matmul FP32的理论吞吐量仅为19.5TFLOPs/s。
另一层原因是价格考量,毕竟每个非matmul FLOP比matmul FLOP贵16倍。同时在matmul FLOP上花费尽可能多的时间也能保持高吞吐量。
为此,作者重写了FlashAttention中的softmax trick,无需更改输出即可减少重新缩放操作的数量,以及边界检查和因果屏蔽操作(causal masking operation)。
其次,当batch size较小时并行化以获得更高的占用率。
FlashAttention一代在batch size和注意力头数量上进行并行化。
由于它使用1个线程块来处理1个注意力头,总共就有(batch_size*注意力头数)个线程块,每个线程块被安排在流式多处理器(SM)上运行。
当在像A100这样有108个SM处理器上操作时,如果线程块很多比如>=80,这样的调度安排就很有效。
而在长序列的情况下,也就是batch size和头数量很少(小)时,就需要在序列长度维度上另外进行并行化来更好地利用GPU上的多处理器了。
这个改进也是FlashAttention-2速度显著提升的一大原因。
最后,改进工作分区。
在线程块内,我们必须确定如何在不同的warp之间划分工作。通常是每个块使用4或8个warp,现在,作者改进了这一方式,来减少不同warp之间的同步和通信量,从而减少共享内存读写操作。
如下图左所示,FlashAttention一代的做法是将K和V分割到4个warp上,同时保持Q可被所有warp访问。这样的后果是所有warp都需要将其中间结果写入共享内存,然后进行同步再将中间结果相加,非常低效,减慢了FlashAttention中的前向传播速度。
而在FlashAttention-2中,作者将Q分为四个warp,同时保证所有warp都可访问K和V。
每个warp执行矩阵乘法获得Q K^T的切片后,只需与V的共享切片相乘即可获得相应的输出。也就是说warp之间不需要通信,那么共享内存读写操作就少了很多,速度也就提上来了。
除了这三个大改进,FlashAttention-2还有两个小改动:
一是注意力头数从128增至256,这意味着GPT-J、CodeGen和CodeGen2以及StableDiffusion1.x等模型都可以使用 FlashAttention-2来进行加速和内存节省了;
二是支持多查询注意力(MQA)和分组查询注意力(GQA)。
实验评估
作者在A10080GB SXM4GPU上对不同配置(有无causal mask,头数量64或128)下的运行时间进行了测量。
结果发现:
FlashAttention-2比FlashAttention(包括xformers库和Triton中的其他实现)快大约2倍,这也意味我们可以用与之前训练8k上下文模型相同的价格来训练具有16k上下文的模型了(也就是模型上下文长度加倍)。
而与PyTorch中的标准注意力实现相比,FlashAttention-2的速度最高可达9倍。
此外,有了FlashAttention-2,我们只需在H100GPU上运行相同的实现(不使用特殊指令利用TMA和第四代Tensor Core等新硬件功能),训练速度就可以跑到高达335TFLOPs/s的成绩。
以及当用于端到端训练GPT式模型时,FlashAttention-2还能在A100上实现高达225TFLOPs/s的速度(模型FLOPs利用率达72%)。这与已经优化程序足够高的FlashAttention相比,速度再提高了1.3倍。
一作加入大模型创业公司
FlashAttention-2论文仅显示一位作者:Tri Dao。他也是FlashAttention一代的两位共同作者之一。
据了解,Tri Dao的研究方向为机器学习和系统的交叉领域,去年拿下ICML2022杰出论文亚军奖。
最近他刚刚获得斯坦福大学计算机科学博士学位,即将上升普林斯顿大学助理教授,并已宣布加盟生成式AI创业公司Together AI(该司主要目标构建一个用于运行、训练和微调开源模型的云平台)担任首席科学家。
One More Thing
最后,有网友发现,除了FlashAttention-2,最近还有一系列类似成果,包括DeepSpeed的ZeRO 、马萨诸塞大学de ReLoRA。
它们都是用于加速大型模型预训练和微调,这些研究成果让他觉得:
未来在低vram低带宽的消费显卡上训练大模型,似乎已不是在做梦了。
大家认为呢?
论文地址:
https://tridao.me/publications/flash2/flash2.pdf
博文地址:
https://princeton-nlp.github.io/flash-atttention-2/
GitHub主页:
https://github.com/Dao-AILab/flash-attention
参考链接:
[1]https://twitter.com/tri_dao/status/1680987577913065472?s=20
[2]https://twitter.com/togethercompute/status/1680994294625337344?s=20
[3]https://twitter.com/main_horse/status/1681041183559254017?s=20
—完—
马斯克称X将隐藏点赞和转发数 只显示“浏览量”
最近,马斯克通过个人推文透露了未来的一个重大变化:在X平台的信息流中,将不再默认显示推文的“点赞”和“转推”计数。用户如果想要查看这些信息,必须主动点击相应的推文。这一设计理念的转变,旨在通过减少界面上的冗余元素,提升用户的浏览体验。站长网2024-03-08 15:31:180000Expedia 计划使用 AI 吸引直接流量,减少对谷歌等外部搜索引擎的依赖
旅游网站Expedia正在采取措施,鼓励人们使用其网站上的人工智能(AI)功能开始他们的旅行搜索,而不是使用外部搜索引擎。0000小米汽车APP登顶苹果App Store免费榜
小米汽车旗下的SU7车型于3月28日正式发布并上市,而在其发布前夕,小米汽车App已经于3月25日提前上架苹果AppStore,并迅速登陆各大安卓应用商店。令人瞩目的是,小米汽车App在极短时间内便成功登顶苹果AppStore免费榜,充分显示了市场对小米汽车的期待与关注。站长网2024-04-06 14:16:150000瑞银:标普500指数创历史新高后,AI股乐观情绪未来十年可能会继续走强
**划重点:**1.🤖UBS全球财富管理团队表示,2024年投资者对人工智能的热情将继续是美国股市的主要主题,推动科技股在未来十年内走高。2.💹预计全球人工智能收入将在2027年底前增长15倍,达到4200亿美元,其中半导体行业,尤其是人工智能计算和图形处理芯片的需求将在未来12至18个月内保持强劲。站长网2024-01-23 10:35:360000昆仑万维:天工大模型支持1万字以上文本对话 将进一步开放插件商店
在近日的交流会上,昆仑万维CEO方汉预测,未来AIGC(又称生成式AI)或将成为下一个对标互联网规模的超级机遇。站长网2023-06-03 10:46:290000