图解大模型推理优化之KV Cache

10月前

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。

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：

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）。
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”。
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：

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。
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。

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 $n$ ，第 $j$ 个token对于整个输入序列的注意力表示如下公式： $b^j=\sum_{i=1}^{n}softmax\left(q^j\cdot k^i\right)v^i$ 第 $j$ 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：

向量映射：将输入序列中的每个token的词向量分别映射为 $q,k,v$ 三个向量。
注意力计算：使用 $q^j$ 分别与每个 $k$ 进行点乘，得到第 $j$ 个token对每个token的注意力分数。
注意力分数归一化：对注意力分数进行softmax，得到注意力权重。
加权求和：注意力权重与对应的向量 $v$ 加权求和，最终得到第 $j$ 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 $a=a^1a^2a^3a^4$ ， $a^1$ 对于整个输入序列 $a$ 的注意力表示为 $b^1$ ，它的计算过程如下图所示， $b^1=\sum_{i=1}^{n}softmax\left(q^1\cdot k^i\right)v^i$ 。

继续观察 $a^2$ 对于整个输入序列 $a$ 的注意力表示 $b^2$ ，它的计算过程如下图所示 $b^2=\sum_{i=1}^{n}softmax\left(q^2\cdot k^i\right)v^i$ 。

KV Cache

在推理阶段，当输入长度为 $n$ ，我们仅需使用 $b^n$ 即可预测出下一个token，但模型却会并行计算出 $b^1...b^{n-1}$ ，这部分会产生大量的冗余计算。而实际上 $b^n$ 可直接通过公式 $b^n=\sum_{i=1}^{n}softmax\left(q^n\cdot k^i\right)v^i$ 算出，即 $b^n$ 的计算只与 $q^n$ 、所有 $k$ 和 $v$ 有关。

KV Cache的本质是以空间换时间，它将历史输入的token的 $k$ 和 $v$ 缓存下来，避免每步生成都重新计算历史token的 $k$ 和 $v$ 以及注意力表示 $b^1...b^{n-1}$ ，而是直接通过 $b^n=\sum_{i=1}^{n}softmax\left(q^n\cdot k^i\right)v^i$ 的方式计算得到 $b^n$ ，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 $K,V$ 均为空，输入为“中国的首都”，模型将按照常规方式并行计算：

并行计算得到每个token对应的 $k,v$ ，以及注意力表示 $b^1...b^3$ 。
使用 $b^3$ 预测下一个token，得到“是”。
更新缓存，令 $K=[k^1,k^2,k^3]$ ， $V=[v^1,v^2,v^3]$ 。

第二步生成时，计算流程如下：

仅将“是”输入模型，对其词向量进行映射，得到 $q^4,k^4,v^4$ 。
更新缓存，令 $K=[k^1,k^2,k^3,k^4]$ ， $V=[v^1,v^2,v^3,v^4]$ 。
计算 $b^4=\sum_{i=1}^{4}softmax\left(q^4\cdot k^i\right)v^i$ ，预测下一个token，得到“北”

第三步生成时，计算流程如下：

仅将“北”输入模型，对其词向量进行映射，得到 $q^5,k^5,v^5$ 。
更新缓存，令 $K=[k^1,k^2,k^3,k^4,k^5]$ ， $V=[v^1,v^2,v^3,v^4,v^5]$ 。
计算 $b^5=\sum_{i=1}^{5}softmax\left(q^5\cdot k^i\right)v^i$ ，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 $k,v$ ，并且缓存下来。此后的每一步，仅需计算当前token的 $q、k、v$ ，更新缓存 $K、V$ ，然后使用 $q、K、V$ 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value
if 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。

微信扫码关注该文公众号作者

来源：深度学习自然语言处理

图解大模型推理优化之KV Cache

相关新闻