PyTorch 2.2大更新！集成FlashAttention-2，性能提升2倍

---

  新智元报道  

新的一年，PyTorch也迎来了重大更新！

继去年十月份的PyTorch大会发布了2.1版本之后，全世界各地的521位开发者贡献了3628个提交，由此形成了最新的PyTorch 2.2版本。

新的版本集成了FlashAttention-2，使得scaled_dot_product_attention （SDPA）相较于之前的版本有了约2倍的性能提升。

PyTorch 2.2还引入了一个新的TorchInductor提前扩展，称为 AOTInductor，旨在为非python服务器端编译和部署PyTorch程序。

PyTorch中的torch.distributed支持了一个叫做device_mesh的新抽象，用于初始化和表示ProcessGroups。

另外，PyTorch 2.2提供了一个标准化的、可配置的日志记录机制，——TORCH_LOGS。

PyTorch 2.2还对torch.compile做了许多改进，包括改进了对编译优化器的支持，以及TorchInductor融合和布局优化。

最后值得注意的是，PyTorch将放弃对macOS x86的支持，PyTorch 2.2.x是支持macOS x64的最后一个版本。

FlashAttention-2

FlashAttention-2通过优化GPU上不同线程块和warps之间的工作分区，来解决占用率低或不必要的共享内存读写。

FlashAttention-2调整了算法以减少非matmul的计算量，同时提升了Attention计算的并行性（即使是单个头，也可以跨不同的线程块，以增加占用率），在每个线程块中，优化warps之间的工作分配，以减少通过共享内存的通信。

PyTorch 2.2将FlashAttention内核更新到了v2版本，不过需要注意的是，之前的Flash Attention内核具有Windows实现，Windows用户可以强制使用sdp_kernel，仅启用Flash Attention的上下文管理器。

而在2.2中，如果必须使用 sdp_kernel 上下文管理器，请使用memory efficient或math内核（在Windows上）。

在FlashAttention-2的加持之下，torch.nn.functional.scaled_dot_product_attention的速度提升了大约2倍，在A100 GPU上达到了理论计算峰值的50%-73%。

AOTInductor

AOTInductor是TorchInductor的扩展，用于处理导出的PyTorch模型，对其进行优化，并生成共享库以及其他相关工件。

这些编译的工件可以部署在非Python环境中，经常用于服务器端的推理。

下面的示例演示了如何调用 aot_compile 将模型转换为共享库。

AOTInductor支持与Inductor相同的后端，包括CUDA、ROCm和CPU。

TORCH_LOGS

PyTorch 2.2提供了一个标准化的、可配置的日志记录机制，可用于分析各种子系统的状态，例如编译和分布式操作

可以通过TORCH_LOGS环境变量启用日志。比如通过在命令行中修改环境变量：

将TorchDynamo的日志级别设置为logging.ERROR，将TorchInductor的日志级别设置为logging.DEBUG。

当然也可以在代码中以API的形式使用：

torch.distributed.device_mesh

PyTorch 2.2引入了一个新的抽象，用于表示分布式并行中涉及的 ProcessGroups，称为torch.distributed.device_mesh。

为分布式训练设置分布式通信器（NCCL）是一件麻烦的事情。用户需要编写不同并行度的工作负载，并为每个并行度手动设置和管理NCCL通信器（ProcessGroup ）。

这个过程可能很复杂，容易出错。而DeviceMesh 可以简化此过程，使其更易于管理。

DeviceMesh 是管理 ProcessGroup 的更高级别的抽象。它允许用户毫不费力地创建节点间和节点内进程组，而不必担心如何为不同的子进程组正确设置等级。

例如，数组的其中一个维度可以表示FSDP中的数据并行（data parallelism），而另一个维度可以表示FSDP中的张量并行（tensor parallelism）。

用户还可以通过 DeviceMesh 轻松管理底层process_groups，以实现多维并行。

DeviceMesh在处理多维并行性（如3D并行）时很有用。如上图所示，当你的并行解决方案需要跨主机和每个主机内部进行通信时，可以创建一个2D网格，用于连接每个主机中的设备，并以同构设置将每个设备与其他主机上的对应设备连接起来。

借助 init_device_mesh() ，我们可以在短短两行内完成上面这个2D设置：

而如果不使用DeviceMesh，我们大概需要自己写下面这一堆代码：

当然，如果需要，我们仍然可以访问底层 ProcessGroup：

优化器的改进

大概有以下几点：

• 编译优化器在所有基准测试中都提高了性能：HuggingFace +18%、TorchBench +19%、TIMM +8% E2E；

• 编译的优化器增加对cudagraphs的支持；

• 对测试套件中所有模型进行平均，每个测试套件的基准测试平均编译时间增加约40秒；正在进行的优化可能会将其降低到30秒以下。

性能改进