Transformers documentation

Atenção paginada

Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

Atenção paginada

Esta página documenta a função de atenção paginada usada no loteamento contínuo.

Caminho Varlen

O kernel flash_attn_varlen_func processa lotes com comprimento variável. Este caminho é recomendado para lotes com um grande número de solicitações no prefill.

Comportamento do cache

Este kernel não possui mecanismo para interagir diretamente com o cache paginado, portanto, o cache é lido e gravado manualmente usando o método ~PagedAttentionCache.update. Isso pode se tornar um gargalo quando o comprimento da sequência aumenta consideravelmente.

Mecanismo de indexação

O kernel usa o comprimento máximo da sequência (max_length_q, max_length_k) e os comprimentos cumulativos das sequências (cu_seq_lens_q, cu_seq_lens_k) para calcular a atenção de cada sequência.

Exemplo

Considere um lote de 3 sequências com comprimentos de consulta [10, 3, 1] e comprimentos de chave [0, 1, 7]:

cu_seq_lens_q = [0, 10, 13, 14]
cu_seq_lens_k = [0, 0, 1, 8]
max_length_q = 10
max_length_k = 7

Formas de entrada:

Q:      [1, 10+3+1, num_heads, head_dim] = [1, 14, num_heads, head_dim]
K or V: [1, 0+1+7, num_kv_heads, head_dim] = [1, 8, num_kv_heads, head_dim]

O kernel atribui cada token de consulta e de chave/valor a uma sequência usando os comprimentos cumulativos das sequências:

Q request index: [r0, r0, r0, r0, r0, r0, r0, r0, r0, r0, r1, r1, r1, r2]
cu_seq_lens_q:   0____________________________________10__________13__14

K request index: [r1, r2, r2, r2, r2, r2, r2, r2]  (r0 has 0 K tokens)
cu_seq_lens_k: 0,0_1_______________________8

Caminho de decodificação

O kernel flash_attn_with_kvcache processa lotes apenas de decodificação, nos quais cada sequência possui exatamente um token de consulta. Isso é mais eficiente que o caminho varlen, mas não consegue lidar com lotes que contenham solicitações de pré-preenchimento.

Comportamento do cache

Este kernel interage com o cache paginado usando um block_table para indexar o cache e atualizá-lo in-place. A tabela de blocos tem a forma (batch_size, max_blocks_per_seq), em que cada linha contém as localizações físicas dos blocos de cache de uma solicitação no tensor de cache KV.

Mecanismo de indexação

O kernel usa cache_seqlens para recuperar o comprimento do cache de cada sequência. Ele assume que cada token de consulta pertence a uma sequência diferente (um token por sequência).

Exemplo

Considere um lote de 3 sequências com comprimentos de consulta [1, 1, 1] e comprimentos de chave [30, 32, 70]. O tamanho do bloco de cache é 32 e o número máximo de blocos por sequência é 4.

Os comprimentos das sequências de cache são simplesmente os comprimentos das chaves:

cache_seqlens = [30, 32, 70]

A forma da tabela de blocos é (3, 4). Usando endereços de exemplo:

block_table = [[2, -1, -1, -1],
               [0,  1, -1, -1],
               [3,  5,  6, -1]]

Valores de -1 indicam blocos não alocados.

  • Sequência 0 (30 tokens em cache): cache em KV_cache[2]. O novo token cabe (30 + 1 = 31 < 32).
  • Sequência 1 (32 tokens em cache): cache em KV_cache[0] e KV_cache[1]. Um segundo bloco é necessário, pois 32 + 1 > 32.
  • Sequência 2 (70 tokens em cache): cache em KV_cache[3], KV_cache[5] e KV_cache[6]. Observe que os blocos não são necessariamente contíguos, o que é a principal vantagem do cache paginado. O novo token cabe no terceiro bloco.
Update on GitHub