Mamba一作再祭神作，H100利用率飙至75%！FlashAttention三代性能翻倍，比标准注意力快16倍
新智元报道
编辑：编辑部【新智元导读】时隔一年，FlashAttention又推出了第三代更新，专门针对H100 GPU的新特性进行优化，在之前的基础上又实现了1.5～2倍的速度提升。
FlashAttention又有后续了！
去年7月，FlashAttention-2发布，相比第一代实现了2倍的速度提升，比PyTorch上的标准注意力操作快5～9倍，达到A100上理论最大FLOPS的50～73%，实际训练速度可达225 TFLOPS（模型FLOPs利用率为72%）。
然而，去年发布FlashAttenion-2尚未运用到硬件中的最新功能，在H100上仅实现了理论最大FLOPS 35%的利用率。
时隔一年，FlashAttention-3归来，将H100的FLOP利用率再次拉到75%，相比第二代又实现了1.5～2倍的速度提升，在H100上的速度达到740 TFLOPS。
值得一提的是，FlashAttention v1和v2的第一作者也是Mamba的共同一作，普林斯顿大学助理教授Tri Dao，他的名字也在这次FlashAttention-3的作者列表中。
Tri Dao师从于Christopher Ré和Stefano Ermon，去年6月在斯坦福大学获得计算机博士学位，毕业后担任Together AI的首席科学家，并从今年6月开始入职普林斯顿大学。
用最新最强的GPU，达到超高的算力利用率，这下LLM的性能和上下文长度又要迎来一波暴涨了。
PyTorch官方也在推特上转发了这个消息，想必我们能在不久后看到FlashAttention被集成到PyTorch中。
目前论文还未上传到arxiv平台，只发表在Tri Dao本人的博客中，但GitHub上已经发布了用于Beta测试的源代码。
网友在其中发现了重要的华点——这一版的FlashAttention专攻H100 GPU，只能在H100或H800上运行，不支持其他GPU型号。
所以即使有了源代码，大多数只有4090的开发者也应该运行不起来，还得先攒钱买H100。
面对这篇论文，财大气粗的科技巨头可以说，「太棒了，现在我们99999个H100的算力集群还能更快。」
普通研发人员只能说，「啊，得买几个H100来试试，但不幸的是，我只有2个肾。」
H100利用率飙至75%，LLM速度再翻倍
对Transformer架构来说，注意力机制既是核心优势，也是重要瓶颈。其理论计算量是序列长度的二次方，因此拖慢了计算速度，阻碍了在LLM中的长上下文应用。
FlashAttention（以及FlashAttention-2）通过减少内存读写次数，开创了一种在GPU上加速注意力机制的方法，现在大多数库都使用它来加速Transformer的训练和推理。
这使得大语言模型的上下文长度在过去两年中大幅增加，从2-4K（如GPT-3、OPT）扩展到128K（如GPT-4），甚至达到1M（如Llama 3、Gemini 1.5 Pro）。
然而，尽管取得了显著进展，FlashAttention还没有充分利用现代硬件的新功能，FlashAttention-2在H100 GPU上仅实现了理论最大FLOPs的35%利用率。
针对最新的Hopper GPU进行改进，FlashAttention-3主要使用了如下3种技术加速注意力机制：利用Tensor Cores和TMA的异步性——
1）通过warp-specialization技术重叠整体计算和数据移动；
2）其次，交替进行块状矩阵乘法和softmax操作；
3）利用硬件支持进行FP8低精度的非相干处理。
在FP16模式下，FlashAttention-3比FlashAttention-2快1.5~2倍，达到740 TFLOPS，即H100理论最大FLOPs的75%。
在FP8模式下，FlashAttention-3接近1.2 PFLOPS，误差比基线FP8注意力小2.6倍。
FlashAttention-3的改进将带来以下变化：
1. 更高效的GPU利用率：新技术使H100 GPU的利用率从之前的35%提升到75%。这使得LLM的训练和运行速度显著提高，达到了之前版本的1.5~2倍。
2. 更好的低精度性能：FlashAttention-3在保持准确性的同时，可以使用FP8这样的较低精度。这不仅加快了处理速度，还能减少内存使用，从而为运行大规模AI操作的客户节省成本并提高效率。
3. 在LLMs中使用更长上下文的能力：通过加速注意力机制，FlashAttention-3使AI模型能够更高效地处理更长的文本。这意味着应用程序可以理解和生成更长、更复杂的内容，而不会影响速度。
FlashAttention回顾
FlashAttention是一种对注意力计算进行重新排序的算法，利用分块和重计算技术，大大加快了计算速度，并将内存使用量从序列长度的二次方减少到线性。
利用分块技术，将输入数据块从GPU内存中的HBM（高速带宽缓存）加载到SRAM中，对其进行注意力计算，然后在HBM中更新输出。
这种方法不将计算过程中的大型注意力矩阵写入HBM，减少了内存的读写总量，从而实现了2～4倍的速度提升。
下面是FlashAttention前向传递的示意图：通过分块和softmax重新缩放，以块为单位进行操作，避免了从HBM中频繁读写，同时能够准确地获得结果而无需近似计算。
Hopper GPU上的新硬件功能：WGMMA、TMA、FP8
Hopper GPU上的新硬件功能：WGMMA、TMA、FP8
虽然FlashAttention-2在Ampere系列（如A100）GPU上，可以达到理论最大FLOPS的72%，但尚未充分利用Hopper GPU的新功能来最大化性能。
Hopper特有的一些新功能包括：
1. WGMMA（Warpgroup Matrix Multiply-Accumulate）
这个新功能利用了Hopper上的新Tensor Cores，相较于Ampere中原来的mma.sync指令，吞吐量得到大大提高。
2. TMA（Tensor Memory Accelerator）
这是一种特殊的硬件单元，可以加速全局内存和共享内存之间的数据传输，并负责所有的索引计算和越界预测。这代替了寄存器的部分工作，从而能够释放寄存器资源，用于增加块大小、提高效率。
3. 低精度的FP8
FP8能够使Tensor Core的吞吐量翻倍，例如，用FP16实现989 TFLOPS计算量的同时，FP8能达到1978 TFLOPS。但由于使用更少的位来表示浮点数，牺牲了一些计算准确性。
进化后的FlashAttention-3，充分利用了Hopper GPU的以上所有新功能，并使用了NVIDIA CUTLASS库的强大抽象。
仅仅是用这些功能重写FlashAttention，就显著加快了速度，从FlashAttention-2 FP16前向计算的350 TFLOPS提升到大约540-570 TFLOPS。
不过，Hopper上新指令（WGMMA和TMA）的异步性，提供了另一种方式——通过重叠操作来提取更高的性能。
具体来说，研究人员开发了新技术来重叠矩阵函数和softmax的新技术。
异步处理：重叠GEMM和Softmax
为什么要重叠？
在注意力机制中，主要涉及两种操作：GEMM（即Q和K之间的矩阵乘法，以及注意力概率P和V之间的矩阵乘法）和softmax。
为什么需要将它们重叠呢？
大部分的浮点运算不都是在GEMM中进行的吗？
只要GEMM足够快（例如使用WGMMA指令进行计算），GPU不就应该一直高速运转吗？
事实上，并不是GEMM的问题，而是softmax会占用令人惊讶的大量时间。
问题在于，在现代加速器上，非矩阵乘法操作的速度远不及矩阵乘法操作。
像指数函数（用于softmax）这样的特殊函数，其吞吐量甚至比浮点乘法加法还低。
它们是由多功能单元（multi-function unit）计算的，与负责浮点乘加或矩阵乘加运算的单元分开计算。
例如，H100 GPU SXM5的FP16矩阵乘法性能可以达到989 TFLOPS，但特殊函数的性能只有3.9 TFLOPS（吞吐量低了256倍）！
head维度为128时，矩阵乘法的FLOPS运算是指数函数的512倍，这意味着指数函数的计算时间可以占到矩阵乘法的一半。
对于FP8，情况更糟，因为矩阵乘法的运算速度是指数函数的两倍，但指数函数的速度却没有变化。
因此，理想情况下，应该让矩阵乘法和softmax并行操作。
当Tensor Cores忙于矩阵乘法时，多功能单元应该在计算指数函数！
通过乒乓调度实现跨warp组重叠
第一种，也是最简单的重叠GEMM和softmax的方法，那就是什么都不做！
warp调度器已经在尝试调度warp，当某些warp被阻塞（例如，等待GEMM结果）时，其他warp可以继续运行。
也就是说，warp调度器已经在帮研究者做一些重叠工作了，而且不引入额外成本。
然而，我们依旧可以通过手动调度来进一步优化。
例如，如果有两个warp组（标记为1和2，每个warp组包含4个warp），可以使用同步屏障（bar.sync），使得warp组1先执行其GEMM指令（例如，GEMM1的一次迭代和GEMM0的下一次迭代），然后warp组2执行其GEMM，同时warp组1执行其softmax，依次循环。
下图展示了这种「乒乓」调度，其中相同颜色表示相同的迭代。
这将使我们能够在另一个warp组进行GEMM计算的同时，执行softmax操作。
当然，这个图只是一个简化示意图；实际调度并没有这么整齐。
然而，乒乓调度可以将FP16注意力在前向计算中的性能从大约570 TFLOPS提高到620 TFLOPS（head维度128，序列长度8K）。
在单个warp组内重叠GEMM和Softmax
即使在一个warp组内，也可以在warp组进行GEMM计算时，同时运行softmax的一部分。
下图展示了这种情况，其中相同颜色表示相同的迭代。
使用这种流水线，FP16注意力前向计算的吞吐量从大约620 TFLOPS，提高到大约640-660 TFLOPS，但代价是增加了寄存器压力。
这种情况下，就需要更多的寄存器，来同时保存GEMM的累加器，和softmax的输入/输出。
总之，这种技术可以提供一种有利的折衷方案。
低精度：通过非相干处理减少量化误差
在LLM的激活函数中，可能会出现一些比其他特征大得多的异常值，这会增加量化的难度，并产生更大的量化误差。
为此，论文采用了一种常用的量化技术——非相干处理（incoherent processing），例如QuIP论文中描述的，通过将查询和键乘以一个随机正交矩阵来「分散」这些异常值，从而减少量化误差。
特别的，论文使用Hadamard变换（带有随机正负号）产生随机矩阵，可以在O(d log d)而不是O(d^2)时间内完成每个注意力头的计算，其中d是head维度。
由于Hadamard变换受限于内存带宽，它可以与之前的操作，如旋转嵌入，进行无成本融合，后者同样受内存带宽的限制。
在实验中，Q、K、V是从标准正态分布生成的，但其中的0.1%有更大的数量级（以模拟异常值）。
结果发现，非相干处理可以将量化误差减少2.6倍。下表展示了数值误差对比。
注意力基准测试
接下来，论文展示了一些FlashAttention-3的测试结果，并将其与FlashAttention-2以及PyTorch中Triton和cuDNN的注意力实现进行了比较（注意，后两者都已经利用了Hopper GPU的新硬件特性）。
对于FP16精度，他们发现FlashAttention-3相对于FlashAttention-2，有大约1.6倍到2.0倍的加速效果。
序列长度在在1k或以下时，FA3相比Triton和cuDNN的优势并不明显，有时甚至会落后。
但随着序列长度和head维度逐渐增大，FA3与其他实现方案的差距也越来越显著，可见这种算法非常适用于大规模运算场景。
相较于标准注意力，FlashAttention-3的速度快了3-16倍。
对于FP8精度，FlashAttention-3的性能可以接近1.2 PFLOPS，但会在某些情况下落后于Triton和cuDNN的性能。
除了前向计算，FA3后向传播的运算速度也同样领先其他方案。
以上重点介绍了FlashAttention针对Hopper GPU新特性实现的优化，此外，论文中也详述了其他方面的优化，包括可变长度序列、持久内核和FP8内核转置等。
可以看到，能够充分利用硬件性能的算法可以显著提升效率，还能解锁新的模型能力，比如处理更长的上下文。
目前，FlashAttetion-3着重训练过程的优化，未来的工作可以继续提升推理性能，并推广到Hopper GPU以外的其他硬件架构。
参考资料：https://tridao.me/publications/flash3/flash3.pdf
https://tridao.me/blog/2024/flash3/