LLM高效推理：KV缓存与分页注意力机制深度解析-阿里云开发者社区

随着大型语言模型（LLM）规模和复杂性的持续增长，高效推理的重要性日益凸显。KV（键值）缓存与分页注意力是两种优化LLM推理的关键技术。本文将深入剖析这些概念，阐述其重要性，并探讨它们在仅解码器（decoder-only）模型中的工作原理。

常规推理机制

首先，我们通过一个简单的例子来理解Transformer模型中典型的推理过程。假设我们需要生成短语：

“The quick brown fox jumped”

以下是常规推理的简化实现：

 import numpy as np
# 简化的嵌入表示，仅用于演示
embeddings = {
    'The': np.array([1, 0, 0, 0]),
    'quick': np.array([0, 1, 0, 0]),
    'brown': np.array([0, 0, 1, 0]),
    'fox': np.array([0, 0, 0, 1]),
    'jumped': np.array([1, 1, 0, 0])
}

# 权重矩阵（简化）
W_Q = W_K = W_V = np.array([[1, 0],
    [0, 1],
    [0, 0],
    [0, 0]])

def compute_attention(self, input_words):
    # 将单词转换为嵌入向量
    E = np.array([embeddings[word] for word in input_words])

    # 计算所有token的K和V矩阵
    K = E @ W_K  # 形状: (seq_len, 2)
    V = E @ W_V  # 形状: (seq_len, 2)

    # 计算最后一个token的Q矩阵
    Q = E[-1] @ W_Q  # 形状: (1, 2)

    # 计算缩放的点积注意力得分
    scale = np.sqrt(2)  # 缩放因子，为key/query维度（此处为2）的平方根
    scores = (Q @ K.T) / scale  # 形状: (1, seq_len)

    # 应用Softmax函数，获得注意力权重
    attention_weights = self.softmax(scores)  # 形状: (1, seq_len)

    # 将注意力权重应用于V矩阵
    output = attention_weights @ V  # 形状: (1, 2)

     return output

以下是逐步生成的过程：

 # 步骤1: 生成 "brown"
input_words_step1 = ['The', 'quick']
output_step1 = compute_attention(input_words_step1)
# 步骤2: 生成 "fox"
input_words_step2 = ['The', 'quick', 'brown']
output_step2 = compute_attention(input_words_step2)
# 步骤3: 生成 "jumped"
input_words_step3 = ['The', 'quick', 'brown', 'fox']
 output_step3 = compute_attention(input_words_step3)

冗余计算：观察上述代码可以发现对于每个新生成的token：

需要为所有先前的token重新计算K和V矩阵。
矩阵的大小随着token数量的增加而增大。
存在大量不必要的重复计算。

KV缓存机制

当使用Transformer模型生成文本时，通过缓存键（K）和值（V）矩阵，可以显著优化推理过程。下图展示了KV缓存的工作原理：

在上图中：

q_new表示最新token的查询向量。
K_prev和V_prev是从先前计算中缓存得到的键和值矩阵。
k_new和v_new仅为当前新token计算。
蓝色箭头表示如何利用缓存值和新值计算注意力。

以下是KV缓存的实现示例：

 def compute_attention_with_cache(self, input_words):
    """使用KV缓存计算注意力"""
    # 获取新token（序列中的最后一个单词）
    new_word = input_words[-1]
    e_new = embeddings[new_word]

    # 计算新token的K和V矩阵
    K_new = e_new @ W_K  # 形状: (2,)
    V_new = e_new @ W_V  # 形状: (2,)

    # 更新缓存的K和V矩阵
    if self.cached_K is None:
        self.cached_K = K_new.reshape(1, -1)  # 形状: (1, 2)
        self.cached_V = V_new.reshape(1, -1)  # 形状: (1, 2)
    else:
        self.cached_K = np.vstack([self.cached_K, K_new])  # 形状: (seq_len, 2)
        self.cached_V = np.vstack([self.cached_V, V_new])  # 形状: (seq_len, 2)

    # 计算最后一个token的Q矩阵
    Q = e_new @ W_Q  # 形状: (2,)

    # 使用缓存的K矩阵计算缩放的点积注意力得分
    scale = np.sqrt(2)  # 缩放因子，为key/query维度（此处为2）的平方根
    scores = (Q @ self.cached_K.T) / scale  # 形状: (1, seq_len)

    # 应用Softmax函数，获得注意力权重
    attention_weights = self.softmax(scores)  # 形状: (1, seq_len)

    # 使用缓存的V矩阵计算注意力输出
    output = attention_weights @ self.cached_V  # 形状: (1, 2)

     return output

以下是逐步生成的过程：

 # 步骤1: 生成 "brown"
input_words_step1 = ['The', 'quick']
output_step1 = compute_attention_with_cache(input_words_step1)
# 步骤2: 生成 "fox"
input_words_step2 = ['The', 'quick', 'brown']
output_step2 = compute_attention_with_cache(input_words_step2)
# 步骤 3: 生成 "jumped"
input_words_step3 = ['The', 'quick', 'brown', 'fox']
 output_step3 = compute_attention_with_cache(input_words_step3)

比较有无KV缓存的推理计算

内存需求与挑战

我们来看一个使用典型模型参数的实际例子：

序列长度: 4096
层数: 32
注意力头数: 32
头维度: 128
精度: FP16 (2 bytes)

每个token所需的内存：

 KV_cache_per_token = 2×num_layers×(num_heads×head_dim)×precision
 = 2 × 32 × (32 × 128) × 2 bytes
 = 2 × 32 × 4096 × 2 bytes
 = 524,288 bytes
 ≈ 0.5 MB

KV缓存的低效性

尽管KV缓存显著提高了计算效率，但它也带来了内存管理方面的挑战。以下是三种主要的内存低效类型：

内部碎片

由因未知输出长度而导致的过度分配引起。
示例：在图像中，2040个槽位从未被使用。
影响：可能浪费高达60-80％的已分配内存。
解决方案：更精确的输出长度估计或动态分配策略。

预留浪费

为将来的token生成而预留的内存。
在图像中显示为“3 slots future used (reserved)”。
维持生成连续性的必要措施。
可以通过更好地预测所需的未来槽位来优化。

外部碎片

由处理具有不同序列长度的多个请求导致。
在不同请求之间创建内存间隙。
解决方案包括内存碎片整理和智能请求批处理。

如上图所示，通常仅有20-40％的KV缓存被用于存储实际的token状态。

分页注意力：解决内存低效的方案

为了应对这些内存挑战，可以采用分页注意力机制。

分页注意力是一种用于有效处理Transformer模型中长序列的技术，它通过将注意力计算分解为更小、更易于管理的“页”或“块”来实现。这种方法降低了内存消耗和计算复杂度，从而能够处理原本因过大而无法放入内存的序列。

 def compute_attention_with_paging(self, input_words):
    """使用分页KV缓存计算注意力"""
    # 获取新token（序列中的最后一个单词）
    new_word = input_words[-1]
    e_new = embeddings[new_word]

    # 计算新token的K和V矩阵
    K_new = e_new @ W_K  # 形状: (2,)
    V_new = e_new @ W_V  # 形状: (2,)

    # 确定当前页的索引
    total_tokens = sum(len(K_page) for K_page in self.cached_K_pages) + 1
    current_page_idx = (total_tokens - 1) // PAGE_SIZE

    # 如果需要，初始化新页
    if len(self.cached_K_pages) <= current_page_idx:
        self.cached_K_pages.append([])
        self.cached_V_pages.append([])

    # 将K和V添加到当前页的缓存中
    self.cached_K_pages[current_page_idx].append(K_new)
    self.cached_V_pages[current_page_idx].append(V_new)

    # 计算当前token的Q矩阵
    Q = e_new @ W_Q  # Shape: (2,)

    # 仅在当前页内计算注意力
    K_current_page = np.array(self.cached_K_pages[current_page_idx])
    V_current_page = np.array(self.cached_V_pages[current_page_idx])

    # 添加缩放因子，用于点积注意力
    scale = np.sqrt(2)  # 缩放因子，为key/query维度（此处为2）的平方根
    scores = (Q @ K_current_page.T) / scale

    # 应用Softmax函数，获得注意力权重
    attention_weights = self.softmax(scores)  # 形状: (1, current_page_size)

    # 将注意力权重应用于当前页中的V矩阵
    output = attention_weights @ V_current_page

     return output

以下是逐步生成的过程：

 # 步骤1: 生成 "brown"
input_words_step1 = ['The', 'quick']
output_step1 = compute_attention_with_paging(input_words_step1)
# 步骤2: 生成 "fox"
input_words_step2 = ['The', 'quick', 'brown']
output_step2 = compute_attention_with_paging(input_words_step2)
# 步骤3: 生成 "jumped"
input_words_step3 = ['The', 'quick', 'brown', 'fox']
 output_step3 = compute_attention_with_paging(input_words_step3)

为何需要分页注意力？

内存约束：由于注意力矩阵的规模与序列长度呈平方关系，Transformer模型在处理长序列时面临严重的内存限制。
长序列处理：在诸如语言建模或文档摘要等任务中，序列可能非常长。
效率：通过以分页的方式处理注意力计算，可以将内存使用量保持在一个常量水平，从而不受序列长度的影响。

分页注意力如何工作？

分割序列：将输入序列分割成更小的块或页。
局部注意力：在每个页内计算注意力。
跨页注意力：可选地，允许有限的跨页注意力，以捕获页之间的依赖关系。
滑动窗口：使用重叠的页来确保连续性。

上述实现仅限于局部注意力，跨页注意力和滑动窗口的实现超出了本文的范围，将在后续文章中详细介绍。

分页注意力的讨论

优势

内存效率：注意力计算被限制在页大小内，内存使用量保持恒定，不受总序列长度的影响。
计算效率：降低了注意力计算的复杂度。
可扩展性：能够处理原本无法放入内存的超长序列。

权衡与考虑

上下文信息受限：模型会丢失跨页的一些依赖关系，这对于需要全局上下文的任务可能很重要。

可能的解决方案：

重叠页：允许页之间重叠一定数量的token，重叠区域的token可以关注前一页的token。
分层注意力：使用更高层次的注意力机制来连接跨页的信息。

重叠页、分层注意力、跨页注意力和滑动窗口的完整实现超出了本文的范围。

以下实现仅捕获局部注意力，作为示例不应在实际应用中使用：

 # 本实现仅为演示和理解目的而设计的简化版本。
# 实际应用中需要更高效和可扩展的实现。

import numpy as np

embeddings = {
    'The': np.array([1, 0, 0, 0]),
    'quick': np.array([0, 1, 0, 0]),
    'brown': np.array([0, 0, 1, 0]),
    'fox': np.array([0, 0, 0, 1]),
    'jumped': np.array([1, 1, 0, 0])
}

W_Q = W_K = W_V = np.array([[1, 0],
                            [0, 1],
                            [0, 0],
                            [0, 0]])

PAGE_SIZE = 2  # 演示用的小页尺寸

class AttentionWithCache:
    def __init__(self):
        self.cached_K = None  # 形状: (seq_len, 2)
        self.cached_V = None  # 形状: (seq_len, 2)
        self.cached_K_pages = []  # 包含K向量的页列表
        self.cached_V_pages = []  # 包含V向量的页列表

    def softmax(self, x, axis=-1):
        """
        为x中的每组分数计算Softmax值。
        包含数值稳定性改进。
        """
        # 应用最大值减法以提高数值稳定性
        x_max = np.max(x, axis=axis, keepdims=True)
        exp_x = np.exp(x - x_max)
        return exp_x / np.sum(exp_x, axis=axis, keepdims=True)

    def compute_attention(self, input_words):
        # 将单词转换为嵌入向量
        E = np.array([embeddings[word] for word in input_words])

        # 计算所有token的K和V矩阵
        K = E @ W_K  # 形状: (seq_len, 2)
        V = E @ W_V  # 形状: (seq_len, 2)

        # 计算最后一个token的Q矩阵
        Q = E[-1] @ W_Q  # 形状: (1, 2)

        # 计算缩放的点积注意力得分
        scale = np.sqrt(2)  # 缩放因子，为key/query维度（此处为2）的平方根
        scores = (Q @ K.T) / scale  # 形状: (1, seq_len)

        # 应用Softmax函数，获得注意力权重
        attention_weights = self.softmax(scores)  # 形状: (1, seq_len)

        # 将注意力权重应用于V矩阵
        output = attention_weights @ V  # 形状: (1, 2)

        return output

    def compute_attention_with_cache(self, input_words):
        """使用KV缓存计算注意力"""
        # 获取新token（序列中的最后一个单词）
        new_word = input_words[-1]
        e_new = embeddings[new_word]

        # 计算新token的K和V矩阵
        K_new = e_new @ W_K  # 形状: (2,)
        V_new = e_new @ W_V  # 形状: (2,)

        # 更新缓存的K和V矩阵
        if self.cached_K is None:
            self.cached_K = K_new.reshape(1, -1)  # 形状: (1, 2)
            self.cached_V = V_new.reshape(1, -1)  # 形状: (1, 2)
        else:
            self.cached_K = np.vstack([self.cached_K, K_new])  # 形状: (seq_len, 2)
            self.cached_V = np.vstack([self.cached_V, V_new])  # 形状: (seq_len, 2)

        # 计算最后一个token的Q矩阵
        Q = e_new @ W_Q  # 形状: (2,)

        # 使用缓存的K矩阵计算缩放的点积注意力得分
        scale = np.sqrt(2)  # 缩放因子，为key/query维度（此处为2）的平方根
        scores = (Q @ self.cached_K.T) / scale  # 形状: (1, seq_len)

        # 应用Softmax函数，获得注意力权重
        attention_weights = self.softmax(scores)  # 形状: (1, seq_len)

        # 使用缓存的V矩阵计算注意力输出
        output = attention_weights @ self.cached_V  # 形状: (1, 2)

        return output

    def compute_attention_with_paging(self, input_words):
        """使用分页KV缓存计算注意力"""
        # 获取新token（序列中的最后一个单词）
        new_word = input_words[-1]
        e_new = embeddings[new_word]

        # 计算新token的K和V矩阵
        K_new = e_new @ W_K  # 形状: (2,)
        V_new = e_new @ W_V  # 形状: (2,)

        # 确定当前页的索引
        total_tokens = sum(len(K_page) for K_page in self.cached_K_pages) + 1
        current_page_idx = (total_tokens - 1) // PAGE_SIZE

        # 如果需要，初始化新页
        if len(self.cached_K_pages) <= current_page_idx:
            self.cached_K_pages.append([])
            self.cached_V_pages.append([])

        # 将K和V添加到当前页的缓存中
        self.cached_K_pages[current_page_idx].append(K_new)
        self.cached_V_pages[current_page_idx].append(V_new)

        # 计算当前token的Q矩阵
        Q = e_new @ W_Q  # Shape: (2,)

        # 仅在当前页内计算注意力
        K_current_page = np.array(self.cached_K_pages[current_page_idx])
        V_current_page = np.array(self.cached_V_pages[current_page_idx])

        # 添加缩放因子，用于点积注意力
        scale = np.sqrt(2)  # 缩放因子，为key/query维度（此处为2）的平方根
        scores = (Q @ K_current_page.T) / scale

        # 应用Softmax函数，获得注意力权重
        attention_weights = self.softmax(scores)  # 形状: (1, current_page_size)

        # 将注意力权重应用于当前页中的V矩阵
        output = attention_weights @ V_current_page

        return output

def compare_implementations():
    print("原始实现:")
    attention1 = AttentionWithCache()

    # 使用原始方法处理序列
    for i in range(len(['The', 'quick', 'brown', 'fox'])):
        words = ['The', 'quick', 'brown', 'fox'][:i + 1]
        output = attention1.compute_attention(words)
        print(f"处理 {words} 后的输出:")
        print(f"Output: {output}")

    print("\nKV缓存实现:")
    attention2 = AttentionWithCache()

    # 使用KV缓存处理序列
    for i in range(len(['The', 'quick', 'brown', 'fox'])):
        words = ['The', 'quick', 'brown', 'fox'][:i + 1]
        output = attention2.compute_attention_with_cache(words)
        print(f"处理 {words} 后的输出:")
        print(f"Output: {output}")

    print("\n分页注意力实现:")
    attention3 = AttentionWithCache()

    # 使用分页注意力处理序列
    for i in range(len(['The', 'quick', 'brown', 'fox'])):
        words = ['The', 'quick', 'brown', 'fox'][:i + 1]
        output = attention3.compute_attention_with_paging(words)
        print(f"处理 {words} 后的输出:")
        print(f"Output: {output}")
        print(f"页数: {len(attention3.cached_K_pages)}")
        print(f"当前页大小: {len(attention3.cached_K_pages[-1])}\n")

if __name__ == "__main__":
     compare_implementations()

总结

KV缓存和分页注意力是提升LLM推理效率和可扩展性的重要技术。KV缓存通过消除冗余计算来优化计算过程，而分页注意力则解决了处理长序列时面临的内存限制。

随着模型规模和复杂性的不断增长，这些优化技术对于实际应用变得至关重要。深入理解和有效实施这些技术，可以显著提升LLM部署的性能和效率。

https://avoid.overfit.cn/post/db8875e43cd245359577a52c6018f81a

作者：Dewang Sultania

LLM高效推理：KV缓存与分页注意力机制深度解析

常规推理机制

KV缓存机制

内存需求与挑战

KV缓存的低效性

分页注意力：解决内存低效的方案

分页注意力的讨论

优势

权衡与考虑

总结

大数据与机器学习

热门文章

最新文章

相关课程

相关电子书

相关实验场景

推荐镜像