intermediate/transformer_building_blocks
在 Google Colab 中运行
Colab
下载 Notebook
Notebook
在 GitHub 上查看
GitHub
注意
转到末尾 下载完整的示例代码。
通过替换 nn.Transformer、Nested Tensors 和 torch.compile() 来加速 PyTorch Transformer#
您将学到什么
了解 PyTorch 提供的低级构建块，用于构建自定义 Transformer 层（Nested Tensors、scaled_dot_product_attention、torch.compile() 和 FlexAttention）
以 MultiHeadAttention 为例，了解上述技术如何改善内存使用和性能
利用上述构建块探索高级自定义
先决条件
PyTorch v.2.6.0 或更高版本
在过去的几年里，PyTorch 团队开发了各种低级功能，这些功能组合在一起可以创建各种 Transformer 变体。这些功能包括：
带 torch.jagged 布局的 Nested Tensors（又名 NJTs）
scaled_dot_product_attentiontorch.compile()FlexAttention
本教程将简要概述上述技术，并演示如何将它们组合以提供灵活且高性能的 Transformer 层，同时改善用户体验。
人们可能会注意到，torch.nn 模块目前提供了各种与 Transformer 相关的层。特别是，它包括 TransformerEncoderLayer、TransformerEncoder、TransformerDecoderLayer、TransformerDecoder、Transformer 和 MultiheadAttention。这组层最初是根据“Attention is All You Need”论文实现的。本教程中讨论的组件在用户体验、灵活性和性能方面优于现有的 nn 层。
本教程适合我吗？#
如果您想了解 torch 库提供了哪些构建块来编写自己的 Transformer 层以及最佳实践，那么您来对地方了。请继续阅读！
如果您正在寻找现成的流行 Transformer 架构实现，请注意，有许多开源库提供了它们，包括：
如果您只对高性能注意力分数修改感兴趣，请参阅 FlexAttention 博客，其中包含一个掩码库（gym of masks）。
介绍构建块#
首先，我们将简要介绍引言中提到的四种技术。
Nested Tensors 泛化了常规密集张量的形状，允许使用相同的张量用户体验来表示不规则大小的数据。在 Transformer 的上下文中，我们可以将 Nested Tensors 视为表示可变序列长度的工具。它们消除了对显式填充和掩码（例如 nn.MultiHeadAttention 中的 key_padding_mask）这种易出错的做法的需求。
scaled_dot_product_attention 是 softmax(QK^T / sqrt(E) + B)V 的一个原始操作，它可以分派到该操作的融合实现或回退实现。它在 eager 模式（即 PyTorch 的默认模式，操作在遇到时即时执行）下即可开箱即用，并且还与 torch.compile() 无缝集成。从 2.6 版本开始，它还将原生支持分组查询注意力（grouped query attention）。
torch.compile() 是 2.0 版本引入的一个编译器，能够捕获 PyTorch 代码图并对其进行各种优化，例如将一系列操作融合在一起。带有 torch.jagged 布局的 Nested Tensors 和 scaled_dot_product_attention 与 compile 配合良好。在 Transformer 的上下文中，使用 compile 结合 nested tensor 和 SDPA 的增值之处在于，compile 可以消除 eager 模式下看到的框架开销，并将 Transformer 中的一系列操作（例如投影和激活）融合在一起。
FlexAttention 是一个原始操作，允许用户在 softmax 操作之前修改注意力分数。它泛化了 scaled_dot_product_attention 的上述加性 B 项，允许进行任意计算。它需要 compile 才能实现良好的性能。
上述构建块是“All You Need”（截至 2024 年 10 月）#
本节的主要前提是，大多数 Transformer 变体都是 GPT 风格的，由嵌入层、位置编码、注意力块和前馈网络等层组成。如果我们试图对该领域的差异进行分类，可能会得到类似的结果：
层类型（激活函数，如 SwiGLU 等；归一化函数，如 RMSNorm 等；位置编码，如正弦、旋转等）。
层顺序，例如在哪里应用归一化和位置编码。
对注意力分数的修改，例如 ALiBi、相对位置偏差等。
在编译器环境之前，您可能会编写自定义 Transformer 并注意到它能正常工作但速度很慢。为解决此问题，您可能会为特定的操作序列开发自定义融合内核。在编译器环境中，您可以仅执行初始步骤，然后进行编译并受益于改进的性能。
MultiheadAttention#
请记住，MultiheadAttention 接收查询、键和值，并由输入投影、scaled_dot_product_attention 操作和输出投影组成。我们在这里要展示的主要收获是，当我们用 Nested Tensors 替换填充/掩码输入时所获得的改进。改进有三个方面：
用户体验 请记住，nn.MultiHeadAttention 需要 query、key 和 value 是密集的 torch.Tensors。它还提供了一个 key_padding_mask，用于掩盖由于批次内不同序列长度而产生的 key 中的填充标记。由于 nn.MHA 中没有 query_padding_mask，用户必须小心地适当地掩盖/切片输出，以考虑查询序列长度。NestedTensor 干净地消除了这种易出错的填充掩码的需要。
内存 代替使用 [B, S] 填充掩码（其中 B 是批次大小，S 是批次中最大序列长度，D 是嵌入大小）物化一个密集 [B, S, D] 张量，Nested Tensors 允许您干净地表示不同序列长度的批次。因此，输入和中间激活将使用更少的内存。
性能 由于填充未物化且跳过了对填充的不必要计算，因此性能和内存使用都会得到改善。
我们将通过扩展 Nested Tensor 教程中的 MultiheadAttention 层来演示这一点，并将其与 nn.MultiHeadAttention 层进行比较。
import torch
import torch.nn as nn
import torch.nn.functional as F
class MultiHeadAttention(nn.Module):
"""
Computes multi-head attention. Supports nested or padded tensors.
Args:
E_q (int): Size of embedding dim for query
E_k (int): Size of embedding dim for key
E_v (int): Size of embedding dim for value
E_total (int): Total embedding dim of combined heads post input projection. Each head
has dim E_total // nheads
nheads (int): Number of heads
dropout (float, optional): Dropout probability. Default: 0.0
bias (bool, optional): Whether to add bias to input projection. Default: True
"""
def __init__(
self,
E_q: int,
E_k: int,
E_v: int,
E_total: int,
nheads: int,
dropout: float = 0.0,
bias=True,
device=None,
dtype=None,
):
factory_kwargs = {"device": device, "dtype": dtype}
super().__init__()
self.nheads = nheads
self.dropout = dropout
self._qkv_same_embed_dim = E_q == E_k and E_q == E_v
if self._qkv_same_embed_dim:
self.packed_proj = nn.Linear(E_q, E_total * 3, bias=bias, **factory_kwargs)
else:
self.q_proj = nn.Linear(E_q, E_total, bias=bias, **factory_kwargs)
self.k_proj = nn.Linear(E_k, E_total, bias=bias, **factory_kwargs)
self.v_proj = nn.Linear(E_v, E_total, bias=bias, **factory_kwargs)
E_out = E_q
self.out_proj = nn.Linear(E_total, E_out, bias=bias, **factory_kwargs)
assert E_total % nheads == 0, "Embedding dim is not divisible by nheads"
self.E_head = E_total // nheads
self.bias = bias
def forward(
self,
query: torch.Tensor,
key: torch.Tensor,
value: torch.Tensor,
attn_mask=None,
is_causal=False,
) -> torch.Tensor:
"""
Forward pass; runs the following process:
1. Apply input projection
2. Split heads and prepare for SDPA
3. Run SDPA
4. Apply output projection
Args:
query (torch.Tensor): query of shape (``N``, ``L_q``, ``E_qk``)
key (torch.Tensor): key of shape (``N``, ``L_kv``, ``E_qk``)
value (torch.Tensor): value of shape (``N``, ``L_kv``, ``E_v``)
attn_mask (torch.Tensor, optional): attention mask of shape (``N``, ``L_q``, ``L_kv``) to pass to SDPA. Default: None
is_causal (bool, optional): Whether to apply causal mask. Default: False
Returns:
attn_output (torch.Tensor): output of shape (N, L_t, E_q)
"""
# Step 1. Apply input projection
if self._qkv_same_embed_dim:
if query is key and key is value:
result = self.packed_proj(query)
query, key, value = torch.chunk(result, 3, dim=-1)
else:
q_weight, k_weight, v_weight = torch.chunk(
self.packed_proj.weight, 3, dim=0
)
if self.bias:
q_bias, k_bias, v_bias = torch.chunk(
self.packed_proj.bias, 3, dim=0
)
else:
q_bias, k_bias, v_bias = None, None, None
query, key, value = (
F.linear(query, q_weight, q_bias),
F.linear(key, k_weight, k_bias),
F.linear(value, v_weight, v_bias),
)
else:
query = self.q_proj(query)
key = self.k_proj(key)
value = self.v_proj(value)
# Step 2. Split heads and prepare for SDPA
# reshape query, key, value to separate by head
# (N, L_t, E_total) -> (N, L_t, nheads, E_head) -> (N, nheads, L_t, E_head)
query = query.unflatten(-1, [self.nheads, self.E_head]).transpose(1, 2)
# (N, L_s, E_total) -> (N, L_s, nheads, E_head) -> (N, nheads, L_s, E_head)
key = key.unflatten(-1, [self.nheads, self.E_head]).transpose(1, 2)
# (N, L_s, E_total) -> (N, L_s, nheads, E_head) -> (N, nheads, L_s, E_head)
value = value.unflatten(-1, [self.nheads, self.E_head]).transpose(1, 2)
# Step 3. Run SDPA
# (N, nheads, L_t, E_head)
attn_output = F.scaled_dot_product_attention(
query, key, value, dropout_p=self.dropout, is_causal=is_causal
)
# (N, nheads, L_t, E_head) -> (N, L_t, nheads, E_head) -> (N, L_t, E_total)
attn_output = attn_output.transpose(1, 2).flatten(-2)
# Step 4. Apply output projection
# (N, L_t, E_total) -> (N, L_t, E_out)
attn_output = self.out_proj(attn_output)
return attn_output
实用程序#
在本节中，我们包含一个实用程序，使用 Zipf 分布为句子长度生成半真实数据。这用于生成嵌套的查询、键和值张量。我们还包含一个基准测试实用程序。
import numpy as np
def zipf_sentence_lengths(alpha: float, batch_size: int) -> torch.Tensor:
# generate fake corpus by unigram Zipf distribution
# from wikitext-2 corpus, we get rank "." = 3, "!" = 386, "?" = 858
sentence_lengths = np.empty(batch_size, dtype=int)
for ibatch in range(batch_size):
sentence_lengths[ibatch] = 1
word = np.random.zipf(alpha)
while word != 3 and word != 386 and word != 858:
sentence_lengths[ibatch] += 1
word = np.random.zipf(alpha)
return torch.tensor(sentence_lengths)
# Generate a batch of semi-realistic data using Zipf distribution for sentence lengths
# in the form of nested tensors with the jagged layout.
def gen_batch(N, E_q, E_k, E_v, device, dtype=torch.float32, query_seq_len_1=False):
# generate semi-realistic data using Zipf distribution for sentence lengths
sentence_lengths = zipf_sentence_lengths(alpha=1.2, batch_size=N)
# Note: the torch.jagged layout is a nested tensor layout that supports a single ragged
# dimension and works with torch.compile. The batch items each have shape (B, S*, D)
# where B = batch size, S* = ragged sequence length, and D = embedding dimension.
if query_seq_len_1:
query = torch.nested.nested_tensor(
[torch.randn(1, E_q, dtype=dtype, device=device) for l in sentence_lengths],
layout=torch.jagged,
)
else:
query = torch.nested.nested_tensor(
[
torch.randn(l.item(), E_q, dtype=dtype, device=device)
for l in sentence_lengths
],
layout=torch.jagged,
)
key = torch.nested.nested_tensor(
[
torch.randn(s.item(), E_k, dtype=dtype, device=device)
for s in sentence_lengths
],
layout=torch.jagged,
)
value = torch.nested.nested_tensor(
[
torch.randn(s.item(), E_v, dtype=dtype, device=device)
for s in sentence_lengths
],
layout=torch.jagged,
)
return query, key, value, sentence_lengths
import math
import timeit
def benchmark(func, *args, **kwargs):
torch.cuda.synchronize()
torch.cuda.reset_peak_memory_stats()
begin = timeit.default_timer()
output = func(*args, **kwargs)
torch.cuda.synchronize()
end = timeit.default_timer()
return output, (end - begin), torch.cuda.max_memory_allocated()
现在，我们将演示在 MultiheadAttention 层 + compile 进行自注意力时使用 Nested Tensors 的性能改进。我们将其与传统的 nn.MultiHeadAttention + compile（带有填充和掩码）进行比较。
N, E_q, E_k, E_v, E_total = 512, 512, 512, 512, 512
E_out = E_q
d_model = E_q
nheads = 8
dropout = 0.0
bias = True
device = "cuda"
torch.manual_seed(6)
query, key, value, sentence_lengths = gen_batch(N, E_q, E_k, E_v, device)
S = sentence_lengths.max().item()
print(
f"Total sequence length in nested query {sentence_lengths.sum().item()}, max sequence length {S}"
)
padded_query, padded_key, padded_value = (
t.to_padded_tensor(0.0) for t in (query, key, value)
)
torch.manual_seed(6)
mha_layer = MultiHeadAttention(
E_q, E_k, E_v, E_total, nheads, dropout=dropout, bias=bias, device="cuda"
)
torch.manual_seed(6)
vanilla_mha_layer = nn.MultiheadAttention(
E_q, nheads, dropout=dropout, batch_first=True, bias=bias, device="cuda"
)
# ``nn.MultiheadAttention`` uses a non conventional initialization for layers, so do this for exact parity :(
mha_layer.out_proj.weight = nn.Parameter(
vanilla_mha_layer.out_proj.weight.clone().detach()
)
mha_layer.packed_proj.weight = nn.Parameter(
vanilla_mha_layer.in_proj_weight.clone().detach()
)
mha_layer.out_proj.bias = nn.Parameter(vanilla_mha_layer.out_proj.bias.clone().detach())
mha_layer.packed_proj.bias = nn.Parameter(
vanilla_mha_layer.in_proj_bias.clone().detach()
)
new_mha_layer = torch.compile(mha_layer)
# warmup compile
nested_result_warmup = new_mha_layer(query, query, query, is_causal=True)
# benchmark
nested_result, nested_time, nested_peak_memory = benchmark(
new_mha_layer, query, query, query, is_causal=True
)
padded_nested_result = nested_result.to_padded_tensor(0.0)
# For the vanilla ``nn.MultiheadAttention``, we need to construct the ``key_padding_mask``
# Further, ``nn.MultiheadAttention`` forces one to materialize the ``attn_mask`` even if using ``is_causal``
src_key_padding_mask = torch.where(padded_query == 0.0, -math.inf, 0)[:, :, 0]
attn_mask = torch.empty((N, S, S), device=device).fill_(float("-inf"))
for i, s in enumerate(sentence_lengths):
attn_mask[i, :s, :s] = nn.Transformer.generate_square_subsequent_mask(s)
attn_mask = attn_mask.unsqueeze(1).expand(N, nheads, S, S).reshape(N * nheads, S, S)
vanilla_mha_layer = torch.compile(vanilla_mha_layer)
# warmup compile
warmup_vanilla_result = vanilla_mha_layer(
padded_query,
padded_query,
padded_query,
attn_mask=attn_mask,
key_padding_mask=src_key_padding_mask,
need_weights=False,
is_causal=True,
)
# benchmark
(padded_result, _), padded_time, padded_peak_memory = benchmark(
vanilla_mha_layer,
padded_query,
padded_query,
padded_query,
key_padding_mask=src_key_padding_mask,
need_weights=False,
attn_mask=attn_mask,
is_causal=True,
)
print(f"{padded_time=:.5f}, padded_peak_memory={padded_peak_memory/1e9:.2f} GB")
print(f"{nested_time=:.5f}, nested_peak_memory={nested_peak_memory/1e9:.2f} GB")
print(
"Max difference between vanilla and nested result",
(padded_result - padded_nested_result).abs().max().item(),
)
print(f"Nested speedup: {(padded_time/nested_time):.2f}")
print(
f"Nested peak memory reduction {((padded_peak_memory - nested_peak_memory)/1e9):.2f} GB"
)
Total sequence length in nested query 10869, max sequence length 133
/usr/local/lib/python3.10/dist-packages/torch/backends/cuda/__init__.py:131: UserWarning:
Please use the new API settings to control TF32 behavior, such as torch.backends.cudnn.conv.fp32_precision = 'tf32' or torch.backends.cuda.matmul.fp32_precision = 'ieee'. Old settings, e.g, torch.backends.cuda.matmul.allow_tf32 = True, torch.backends.cudnn.allow_tf32 = True, allowTF32CuDNN() and allowTF32CuBLAS() will be deprecated after Pytorch 2.9. Please see https://pytorch.ac.cn/docs/stable/notes/cuda.html#tensorfloat-32-tf32-on-ampere-and-later-devices (Triggered internally at /pytorch/aten/src/ATen/Context.cpp:80.)
/usr/local/lib/python3.10/dist-packages/torch/_inductor/compile_fx.py:312: UserWarning:
TensorFloat32 tensor cores for float32 matrix multiplication available but not enabled. Consider setting `torch.set_float32_matmul_precision('high')` for better performance.
padded_time=0.01925, padded_peak_memory=3.87 GB
nested_time=0.00254, nested_peak_memory=0.74 GB
Max difference between vanilla and nested result 0.0
Nested speedup: 7.57
Nested peak memory reduction 3.13 GB
供参考，以下是在 A100 上的一些样本输出。
padded_time=0.03454, padded_peak_memory=4.14 GB
nested_time=0.00612, nested_peak_memory=0.76 GB
Max difference between vanilla and nested result 0.0
Nested speedup: 5.65
Nested peak memory reduction 3.39 GB
我们也可以看到向后传递的相同情况。
for i, entry_length in enumerate(sentence_lengths):
# padding-specific step: remove output projection bias from padded entries for fair comparison
padded_result[i, entry_length:, :] = 0.0
_, padded_bw_time, padded_bw_peak_mem = benchmark(
lambda: padded_result.sum().backward()
)
_, nested_bw_time, nested_bw_peak_mem = benchmark(
lambda: padded_nested_result.sum().backward()
)
print(f"{padded_bw_time=:.5f}, padded_bw_peak_mem={padded_bw_peak_mem/1e9:.2f} GB")
print(f"{nested_bw_time=:.5f}, nested_bw_peak_mem={nested_bw_peak_mem/1e9:.2f} GB")
print(f"Nested backward speedup: {(padded_bw_time/nested_bw_time):.2f}")
print(
f"Nested backward peak memory reduction {((padded_bw_peak_mem - nested_bw_peak_mem)/1e9):.2f} GB"
)
print(
"Difference in out_proj.weight.grad",
(mha_layer.out_proj.weight.grad - vanilla_mha_layer.out_proj.weight.grad)
.abs()
.max()
.item(),
)
print(
"Difference in packed_proj.weight.grad",
(mha_layer.packed_proj.weight.grad - vanilla_mha_layer.in_proj_weight.grad)
.abs()
.max()
.item(),
)
print(
"Difference in out_proj.bias.grad",
(mha_layer.out_proj.bias.grad - vanilla_mha_layer.out_proj.bias.grad)
.abs()
.max()
.item(),
)
print(
"Difference in packed_proj.bias.grad",
(mha_layer.packed_proj.bias.grad - vanilla_mha_layer.in_proj_bias.grad)
.abs()
.max()
.item(),
)
padded_bw_time=1.84617, padded_bw_peak_mem=4.79 GB
nested_bw_time=0.06780, nested_bw_peak_mem=3.06 GB
Nested backward speedup: 27.23
Nested backward peak memory reduction 1.73 GB
Difference in out_proj.weight.grad 0.00042724609375
Difference in packed_proj.weight.grad 0.001983642578125
Difference in out_proj.bias.grad 0.0
Difference in packed_proj.bias.grad 0.001953125
A100 上的样本输出
padded_bw_time=2.09337, padded_bw_peak_mem=5.10 GB
nested_bw_time=0.01452, nested_bw_peak_mem=3.24 GB
Nested backward speedup: 144.13
Nested backward peak memory reduction 1.86 GB
Difference in out_proj.weight.grad 0.000244140625
Difference in packed_proj.weight.grad 0.001556396484375
Difference in out_proj.bias.grad 0.0
Difference in packed_proj.bias.grad 0.001953125
GPT 风格层#
一个基本的 GPT 风格的 Transformer 层由一个因果自注意力层组成，后面是一个带跳跃连接的前馈网络 (FFN)。使用上面的 MultiheadAttention 层实现这一点非常简单，并且与具有 is_causal=True 的 nn.TransformerEncoderLayer 产生相同的结果。
我们在这里展示了实现 nn 层其余部分的示例，但为简洁起见，本教程中省略了。
更进一步#
到目前为止，我们已经演示了如何实现遵循传统 nn.MultiHeadAttention 的高性能 MultiheadAttention 层。回顾我们对 Transformer 架构修改的分类，请记住，我们将修改分为层类型、层顺序和注意力分数修改。我们相信更改层类型和层顺序（例如，用 RMSNorm 替换 LayerNorm）非常简单。
在本节中，我们将讨论使用上述构建块的各种功能，包括以下内容：
交叉注意力
完全掩码的行不再导致 NaN
打包投影
交叉注意力#
交叉注意力是一种注意力形式，其中查询和键/值张量来自不同的序列。
一个例子是在 nn.TransformerDecoderLayer 中，其中查询来自解码器，键/值来自编码器。
上述 MultiheadAttention 层很好地推广到这种情况，其中查询和键/值都使用 Nested Tensors。
query, _, _, q_len = gen_batch(N, E_q, E_k, E_v, device)
_, key, value, kv_len = gen_batch(N, E_q, E_k, E_v, device)
print(
f"Total sequence length in nested query {q_len.sum().item()}, max sequence length {q_len.max().item()}"
)
print(
f"Total sequence length in nested key/value {kv_len.sum().item()}, max sequence length {kv_len.max().item()}"
)
out = new_mha_layer(query, key, value, is_causal=False)
Total sequence length in nested query 10723, max sequence length 142
Total sequence length in nested key/value 11068, max sequence length 122
如上所述，我们可以将其与 vanilla 编译的 nn.MultiHeadAttention 进行比较。
torch.manual_seed(6)
query, _, _, q_len = gen_batch(N, E_q, E_k, E_v, device)
_, key, value, kv_len = gen_batch(N, E_q, E_k, E_v, device)
padded_query, padded_key, padded_value = (
t.to_padded_tensor(0.0) for t in (query, key, value)
)
key_padding_mask = torch.where(padded_key == 0.0, -math.inf, 0)[:, :, 0]
# warmup compile
warmup_nested_result = new_mha_layer(query, key, value, is_causal=False)
warmup_vanilla_result = vanilla_mha_layer(
padded_query,
padded_key,
padded_value,
key_padding_mask=key_padding_mask,
need_weights=False,
is_causal=False,
)
nested_result, nested_time, nested_peak_memory = benchmark(
new_mha_layer, query, key, value, is_causal=False
)
(padded_result, _), padded_time, padded_peak_memory = benchmark(
vanilla_mha_layer,
padded_query,
padded_key,
padded_value,
key_padding_mask=key_padding_mask,
need_weights=False,
is_causal=False,
)
padded_nested_result = nested_result.to_padded_tensor(0.0)
for i, entry_length in enumerate(q_len):
# padding-specific step: remove output projection bias from padded entries for fair comparison
padded_result[i, entry_length:, :] = 0.0
print(
"Max difference between vanilla and nested result",
(padded_result - padded_nested_result).abs().max().item(),
)
print(f"Nested speedup: {(padded_time/nested_time):.2f}")
print(
f"Nested peak memory reduction {((padded_peak_memory - nested_peak_memory)/1e9):.2f} GB"
)
Max difference between vanilla and nested result 0.0
Nested speedup: 5.72
Nested peak memory reduction 1.30 GB
A100 上的样本输出
Max difference between vanilla and nested result 0.0
Nested speedup: 4.01
Nested peak memory reduction 1.40 GB
完全掩码的行不再导致 NaN#
nn.MultiHeadAttention 和 scaled_dot_product_attention 存在一个长期存在的问题，即如果一行被完全掩码掉，注意力层的输出将是 NaN。请参阅 issue。这是因为对空集的 softmax 是未定义的。
感谢此 PR，这种情况不再发生。取而代之的是，scaled_dot_product_attention 中完全掩码行的对应输出将为 0。对于 nn.MHA 不使用“快速路径”的情况，这也适用。
强烈建议使用具有 NJT 的自定义 MHA 层，而不是 nn.MultiHeadAttention 中现有的“快速路径”，因为 NJT 对残缺性的建模能力使其能够正确地表示空序列。
打包投影#
打包投影是一种技术，它利用了投影（矩阵乘法）的输入相同（自注意力）这一事实，我们可以将投影权重和偏置打包成单个张量。当单个投影是内存密集型而不是计算密集型时，它特别有用。我们将在此处演示两个示例：
MultiheadAttention 的输入投影
Transformer 层前馈网络中的 SwiGLU 激活
MultiheadAttention 的输入投影#
进行自注意力时，query、key 和 value 是同一个张量。每个张量都用一个 Linear(E_q, E_total) 层进行投影。相反，我们可以将其打包到一个层中，这就是我们在上面的 MultiheadAttention 层中所做的。
让我们将打包投影的性能与常规方法进行比较。
class InputProjection(nn.Module):
def __init__(self, E_q, E_total, bias=False, device=None, dtype=None):
factory_kwargs = {"device": device, "dtype": dtype}
super().__init__()
self.q_proj = nn.Linear(E_q, E_total, bias=bias, **factory_kwargs)
self.k_proj = nn.Linear(E_q, E_total, bias=bias, **factory_kwargs)
self.v_proj = nn.Linear(E_q, E_total, bias=bias, **factory_kwargs)
def forward(self, x):
return self.q_proj(x), self.k_proj(x), self.v_proj(x)
class PackedInputProjection(nn.Module):
def __init__(self, E_q, E_total, bias=False, device=None, dtype=None):
factory_kwargs = {"device": device, "dtype": dtype}
super().__init__()
self.packed_proj = nn.Linear(E_q, E_total * 3, bias=bias, **factory_kwargs)
def forward(self, query):
return torch.chunk(self.packed_proj(query), 3, dim=-1)
B, D, dtype = 256, 8192, torch.bfloat16
torch.set_float32_matmul_precision("high")
in_proj = torch.compile(InputProjection(D, D, device="cuda", dtype=torch.bfloat16))
packed_in_proj = torch.compile(
PackedInputProjection(D, D, device="cuda", dtype=torch.bfloat16)
)
q, _, _, sequence_lengths = gen_batch(B, D, D, D, device="cuda", dtype=torch.bfloat16)
# warmup
in_proj(q)
packed_in_proj(q)
# benchmark
(q_out, k_out, v_out), time, _ = benchmark(in_proj, q)
(q_out, k_out, v_out), time_packed, _ = benchmark(packed_in_proj, q)
# On my A100 prints 1.05x speedup
print(
f"InputProjection: {time:5f} s, PackedInputProjection: {time_packed:5f} s, speedup: {time/time_packed:.2f}x"
)
InputProjection: 0.030302 s, PackedInputProjection: 0.030020 s, speedup: 1.01x
Transformer 层 SwiGLU 前馈网络#
Swish-Gated Linear Unit (SwiGLU) 是一种非线性激活函数，在 Transformer 层的前馈网络（例如 Llama）中越来越受欢迎。带有 SwiGLU 激活的前馈网络定义为：
class SwiGLUFFN(nn.Module):
def __init__(
self,
dim,
hidden_dim,
multiple_of,
ffn_dim_multiplier=None,
device=None,
dtype=None,
):
factory_kwargs = {"device": device, "dtype": dtype}
super().__init__()
hidden_dim = int(2 * hidden_dim / 3)
# custom dim factor multiplier
if ffn_dim_multiplier is not None:
hidden_dim = int(ffn_dim_multiplier * hidden_dim)
hidden_dim = multiple_of * ((hidden_dim + multiple_of - 1) // multiple_of)
self.w1 = nn.Linear(dim, hidden_dim, bias=False, **factory_kwargs)
self.w2 = nn.Linear(hidden_dim, dim, bias=False, **factory_kwargs)
self.w3 = nn.Linear(dim, hidden_dim, bias=False, **factory_kwargs)
def forward(self, x):
return self.w2(F.silu(self.w1(x)) * self.w3(x))
实现这一点的另一种方法是使用打包投影：
class PackedSwiGLUFFN(nn.Module):
def __init__(
self,
dim,
hidden_dim,
multiple_of,
ffn_dim_multiplier=None,
device=None,
dtype=None,
):
factory_kwargs = {"device": device, "dtype": dtype}
super().__init__()
hidden_dim = int(2 * hidden_dim / 3)
# custom dim factor multiplier
if ffn_dim_multiplier is not None:
hidden_dim = int(ffn_dim_multiplier * hidden_dim)
hidden_dim = multiple_of * ((hidden_dim + multiple_of - 1) // multiple_of)
self.w13 = nn.Linear(dim, 2 * hidden_dim, bias=False, **factory_kwargs)
self.w2 = nn.Linear(hidden_dim, dim, bias=False, **factory_kwargs)
def forward(self, x):
x1, x3 = torch.chunk(self.w13(x), 2, dim=-1)
return self.w2(F.silu(x1) * x3)
我们可以比较这两种实现的性能。根据您的硬件，您可能会看到不同的结果。在 A100 上，我看到 D=128 时有 1.12 倍的速度提升。
D = 128
swigluffn = torch.compile(SwiGLUFFN(D, D * 4, 256, device="cuda", dtype=torch.bfloat16))
packed_swigluffn = torch.compile(
PackedSwiGLUFFN(D, D * 4, 256, device="cuda", dtype=torch.bfloat16)
)
q, _, _, sentence_lengths = gen_batch(D, D, D, D, device="cuda", dtype=torch.bfloat16)
# warmup
swigluffn(q)
packed_swigluffn(q)
# benchmark
_, time, _ = benchmark(swigluffn, q)
_, time_packed, _ = benchmark(packed_swigluffn, q)
# On my A100 prints 1.08x speedup
print(
f"SwiGLUFFN: {time} s, PackedSwiGLUFFN: {time_packed} s, speedup: {time/time_packed:.2f}x"
)
SwiGLUFFN: 0.0009849209998264996 s, PackedSwiGLUFFN: 0.0008981599999060563 s, speedup: 1.10x
扩展示例#
我们计划更新本教程，以演示更多使用各种高性能构建块（如 KV 缓存、分组查询注意力等）的示例。此外，还有一些很好的例子说明如何使用各种高性能构建块来实现各种 Transformer 架构。一些例子包括：
结论#
在本教程中，我们介绍了 PyTorch 为编写 Transformer 层提供的低级构建块，并演示了如何组合它们的示例。我们希望本教程能够让读者了解用户可以多么轻松地使用 PyTorch 实现灵活且高性能的 Transformer 层。
脚本总运行时间： (0 分钟 20.649 秒)
