本文较长，建议点赞收藏，以免遗失。更多AI大模型应用开发及AI算法学习视频及资料，尽在聚客AI学院。
在大语言模型（LLM）的推理过程中，Attention机制是计算和内存消耗的主要瓶颈。FlashAttention和PagedAttention作为两项革命性优化技术，分别从计算效率和内存管理两个维度显著提升了LLM的推理性能。今天我将深度解析这两种注意力加速技术及其优化策略，希望对你有所帮助，如有遗漏，欢迎交流。
一、Transformer中的Attention机制与性能瓶颈
Transformer的核心在于自注意力机制，它通过计算序列中各token之间的关系权重，实现全局交互。标准自注意力机制的计算公式为：
其中Q(查询)、K(键)、V(值)是输入序列经过线性变换后的三个矩阵，dₖ为特征维度。
自注意力机制的时间复杂度为O(n²d)，空间复杂度为O(n²+Nd)，其中n为序列长度，d为特征维度。这种二次复杂度导致长序列处理时计算量和内存占用急剧增加，成为模型扩展的主要障碍。
在推理过程中，KV Cache需要存储所有已生成token的键值对，以便后续计算。传统实现要求KV Cache使用连续的显存空间，但实际序列长度各不相同，导致大量碎片化内存无法被有效利用。研究表明，由于碎片化和过度预留，现有系统浪费了60%-80%的显存。
（ps：这里补充一个知识点，如果你对KV Cache的工作原理和机制不了解，我这里也整理了一份小白都能看懂的技术文档，粉丝朋友自行查阅：《小白也能看懂的LLMs中的KV Cache，视觉解析》）
二、FlashAttention：I/O感知的精确注意力算法
FlashAttention是一种针对Transformer模型中注意力机制的计算优化技术，由斯坦福DAWN实验室于2022年提出。其并非注意力的近似算法，而是一种在数学上与标准注意力等价，但实现方式上完全不同的精确注意力算法。
FlashAttention的核心目标是减少对HBM的访问次数，最大限度地利用GPU上速度更快的片上SRAM，特别适用于处理长序列任务。
标准注意力机制使用HBM来存储、读取和写入注意力分数矩阵。具体步骤为将这些从HBM加载到GPU的片上SRAM，然后执行注意力机制的单个步骤，然后写回HBM，并重复此过程。
而Flash Attention采用分块计算（Tiling）技术，将大型注意力矩阵划分为多个块（tile），在SRAM中逐块执行计算。
核心原理
FlashAttention的核心思想是分块计算（tiling）和重计算（recomputation）。将输入矩阵Q、K、V分割成小块，每次只处理其中一块数据，在GPU的片上SRAM中进行计算，避免频繁访问高带宽内存（HBM）。同时，通过安全softmax（safe softmax）技术处理数值稳定性问题，并在反向传播中利用存储的中间统计量重新计算梯度，而非存储整个注意力矩阵。
分块策略将Q、K、V矩阵分割为多个小块，块大小的选择需平衡SRAM容量与计算效率。具体来说，将Q分成Tr块，每块大小为Br×d；将K和V分成Tc块，每块大小为Bc×d。在计算时，逐块加载Q、K、V到SRAM，计算局部注意力得分，再通过累积统计量（最大值和指数和）得到全局结果。
重计算机制在反向传播中不需要存储O(n²)的中间注意力矩阵，而是通过存储输出O、softmax归一化统计量（最大值m和logsumexp L）来重新计算梯度。
FlashAttention-2改进
2023年提出的FlashAttention-2进一步优化了工作分区（work partitioning），减少了非矩阵乘法运算的需求，并实现了序列长度上的并行化。
具体改进包括：消除频繁的系数更新，减少对非矩阵乘法运算的需求；在CUDA线程块内分配工作到不同warp上，减少通信和共享内存读写；仅存储logsumexp统计量，而非同时存储max和sum。
FlashAttention在A100 GPU上实现了显著的性能提升：BERT模型训练速度比MLPerf 1.1记录高出15%；GPT-2训练速度比HuggingFace实现高3倍，比Megatron高1.7倍；FlashAttention-2在A100上达到理论FLOPs的50-73%，训练速度提升至225 TFLOPs/s。
FlashAttention-3改进
2024年提出的FlashAttention-3针对Hopper架构（如H100 GPU）的硬件特性进行了深度优化，通过异步执行和低精度计算实现了突破性性能提升。
其核心改进包括：生产者-消费者异步，通过定义一个warp-specialized软件流水线方案，利用数据移动和Tensor Cores的异步执行，将生产者和消费者分为不同的warps，从而延长算法隐藏内存和指令发出延迟的能力。
在异步块状GEMM下隐藏softmax，通过重叠低吞吐量的非GEMM操作（如浮点乘加和指数运算）与异步WGMMA指令进行块矩阵乘法，重写FlashAttention-2算法以规避softmax和GEMM之间的某些顺序依赖性。
硬件加速的低精度GEMM调整前向传播算法以针对FP8 Tensor Cores进行GEMM，几乎翻倍了测量的TFLOPs/s。这需要弥合WGMMA在块布局一致性方面的要求，使用块量化和非相干处理来减轻由于转换为FP8精度而导致的精度损失。
在H100 GPU上实现里程碑式突破：FP16性能达到740 TFLOPs/s（75%理论峰值），较FlashAttention-2提升1.5-2.0倍；FP8性能接近1.2 PFLOPs/s，首次突破PetaFLOP级注意力计算；数值精度方面，FP8版本比基线FP8注意力降低2.6倍数值误差。
三、PagedAttention：高效的KV Cache内存管理
PagedAttention是一种显存管理优化技术，由UC Berkeley团队提出并集成到vLLM框架中。它借鉴了操作系统中虚拟内存和分页的经典思想，将KV Cache分割成固定大小的页面（pages），允许在非连续内存空间中存储连续的KV张量，从而有效解决显存碎片化问题。
核心问题：KV Cache管理的挑战
传统的KV Cache管理方式通常为每个请求预分配一个连续的大块内存，其大小等于模型的最大序列长度。这种方式存在严重问题：
内存浪费与碎片化：大部分请求的实际序列长度远小于最大长度，导致大量预分配的内存被浪费（内部碎片）。同时，不同请求序列长度各异，使得内存管理变得困难，容易产生无法被新请求利用的小块内存（外部碎片）。
并发吞吐量低：由于内存浪费严重，一块GPU能容纳的并发请求数受限，导致吞吐量低下。
复制开销大：在某些复杂的采样策略（如Beam Search）中，需要复制和管理多个序列的KV Cache，这在连续内存布局下意味着昂贵的memcpy操作。
核心原理
PagedAttention将每个序列的KV缓存进行分块，每个块包含固定长度的token的KV对。通过页面表（page table）维护逻辑地址到物理地址的映射，实现动态内存分配和共享。
▲图示：PagedAttention：KV Cache 被划分成块。块在内存空间上不需要连续
PagedAttention将KV Cache划分成块，块在内存空间上不需要连续。系统为每个请求维护一个"块表"（类似于操作系统的页表），该表存储了逻辑块到物理块的映射关系。逻辑块是连续的，代表了token在序列中的位置；而物理块则是GPU显存中实际存储KV数据的、非连续的内存块。
当模型生成新token时，调度器只需为这个新token分配一个新的物理块，并更新该序列的块表即可。这种按需分配的方式避免了预先分配大块连续内存所造成的浪费。当一个请求结束时，其占用的所有物理块都可以被回收并用于其他请求。
▲图示：具有 PagedAttention 的请求的示例生成过程
PagedAttention通过写时复制（Copy-on-Write，CoW）实现高效的内存共享。当多个序列共享同一个提示（prompt）时，它们的KV缓存页面可以指向同一个物理块。系统跟踪物理块的引用计数，当某个序列尝试修改共享页面时，才触发复制到新页面并更新引用计数。这种机制在并行采样和集束搜索中特别有效，可将内存使用量降低55%，吞吐量提升2.2倍。
▲图示：对多个输出进行采样的请求示例生成过程
性能优势
vLLM在相同延迟水平下，吞吐量较基线系统提升2-4倍，长序列、大模型场景优势更显著（如OPT-175B在Alpaca数据集上提升3.58倍）。内存浪费趋近于零，而基线系统浪费达61.8%-79.6%。在束搜索中内存共享节省37.6%-66.3%，共享前缀场景减少冗余计算16.2%-30.5%。块大小设为16时平衡并行性与碎片率，重计算较交换降低20%恢复开销。
写在最后
- FlashAttention是一种计算优化技术。它通过I/O感知的算法设计，将计算瓶颈从内存带宽转移回计算本身，是底层算法与硬件结构协同优化的典范。它主要在训练和单次长序列推理中发挥巨大作用。
- PagedAttention是一种内存管理技术。它通过精细化的内存分页和调度，解决了推理服务中KV Cache的管理难题，是系统工程层面的重大突破。它主要在高并发推理服务中提升系统吞吐量和资源利用率。
它们代表了大模型推理优化的两个重要方向：计算效率和内存管理，它们的结合使用使当前LLM推理性能的大幅提升。好了，今天的分享就到这里，如果对你有所帮助，记得点个小红心，我们下期见。