4比特量化三倍加速不掉点！清华即插即用的SageAttention迎来升级

2024年12月26日,16时37分56秒 OpenAI 阅读 47 views 次

论文共同第一作者张金涛、黄浩峰分别来自清华大学计算机系和交叉信息研究院，论文通讯作者陈键飞副教授及其他合作作者均来自清华大学计算机系。

大模型中，线性层的低比特量化已经逐步落地。然而，对于注意力模块，目前几乎各个模型都还在用高精度（例如 FP16 或 FP32）的注意力运算进行训练和推理。并且，随着大型模型需要处理的序列长度不断增加，Attention（注意力运算）的时间开销逐渐成为主要开销。

此前，清华大学陈键飞团队提出的 8-Bit 的即插即用 Attention（SageAttention），将 Attention 中的 QK^T 量化至 INT8，将 PV 保持为 FP16 精度并使用 FP16 精度的矩阵乘法累加器，同时提出 Smooth K 技术保持了量化 Attention 的精度，实现了 2 倍加速于 FlashAttention2，且在各类大模型上均保持了端到端的精度表现。

目前，SageAttention 已经被业界及社区广泛地使用于各种开源及商业大模型中，比如 CogvideoX、Mochi、Flux、Llama3、Qwen 等。

近日，陈键飞团队进一步提出了 4-Bit 的即插即用 Attention（SageAttention2），相较于 FlashAttention2 和 xformers 分别实现了 3倍以及4.5 倍的即插即用的推理加速，且在视频、图像、文本生成等大模型上均保持了端到端的精度表现。

论文标题：SageAttention2: Efficient Attention with Thorough Outlier Smoothing and Per-thread INT4 Quantization
论文链接：https://arxiv.org/abs/2411.10958
开源代码：https://github.com/thu-ml/SageAttention

(来源:机器之心)

即插即用举例

SageAttention2 实现了高效的 Attention 算子，可以实现即插即用的推理加速。输入任意 Q, K, V 矩阵，SageAttention2 可以快速返回 Attention Output (O)。

具体来说，SageAttention2 使用起来很方便，克隆仓库（git clone https://github.com/thu-ml/SageAttention）并执行 python setup.py install 后，只需一行代码便可以得到 Attention 的输出，可以使用该接口方便地替换任意模型中的 Attention 函数：

效果上，以开源视频生成模型 CogvideoX-1.5-5B 为例，使用 SageAttention2 可以端到端加速1.8倍，且生成的视频无损：

^{使用全精度 Attention}

^{使用 SageAttention2}

更重要的是，SageAttention2 提供了比 SageAttention 更广泛的硬件支持。除了在 RTX 4090 上可以 3 倍加速于 FlashAttention 外，在 L20、L40、L40S 可以实现 2 倍的加速，在 A100、A800、A6000 上可以实现 1.45-1.6 倍的加速（基于 SageAttention）。

接下来，研究团队将从前言、挑战、方法以及实验效果四个方面介绍 SageAttention2（总体流程图如下图）。

前言

随着大模型需要处理的序列长度越来越长，Attention 的速度优化变得越来越重要。下图展示了一个标准的 Transformer 模型中各运算的时间占比随序列长度的变化：

为了方便指代注意力运算中的矩阵，我们先回顾一下注意力的计算公式：

尽管 SageAttention 提出将 Q，K 量化至 INT8，将 P，V 保持 FP16 精度且采用 FP16 的矩阵乘法累加器来加快 Attention 的速度。然而，这样做的缺点是：1）INT8 的矩阵乘法只达到了一半的 INT4 矩阵乘法的速度，2）使用 FP16 的乘法累加器的 FP16 的矩阵乘法的加速只在 RTX4090 和 RTX3090 显卡上有效。

为了克服上述缺点，SageAttention2 提出将 Q, K 量化至 INT4，并将 P, V 量化至 FP8 来加速 Attention。然而，这样做的挑战是很大的。

4-Bit 注意力量化有什么问题？

研究团队发现直接将注意力运算中的 Q, K 量化为 INT4 后将会导致在几乎所有模型和任务上都会得到极差的结果，例如，在 CogVideoX 文生视频模型中，会得到完全模糊的视频；Llama2-7B 进行四选一选择题任务上得到 25% 的准确率。

经过仔细分析后，研究团队发现主要是两个原因导致了量化注意力的不准确：

（1）INT4 的数值范围相比 INT8 非常小，导致其量化误差在 Q，K 矩阵中出现一些异常值时会变得十分明显，恰好大多模型都在 Q, K 中表现出来了较大的通道维度的异常值。这极大削减了 QK^⊤矩阵乘法的精度。

（2）研究团队发现 Nvidia 的显卡上，FP8 的矩阵乘法指令 (mma.f32.f8.f8.f32) 的乘法累加器并不是官方宣称的 FP32 精度，而是只有 FP22 精度，这导致了 PV 矩阵乘法出现较大的累加误差。

技术方案

为了解决上述的两个挑战，研究团队提出了对应的解决办法。

（1）保留 SageAttention 中对 K 进行平滑处理的同时，提出对 Q 进行平滑处理：Q – mean (Q)。其中 mean (Q) 是沿着通道维度的平均值向量。完成该平滑操作后需要在 Attention 计算过程中将 mean (Q) 和 K^T 的向量与矩阵乘法的结果补偿到 S 中。

这使得相比直接量化 Q, K 至 INT4 的准确度有质的改变，如下表展示了对比了该方法和直接量化 Q, K 至 INT4 在 Cogvideo 和 Llama3.1 上的端到端表现。

矩阵 Q 平滑前后的数据分布可视化的结果如下，可以发现平滑后的 Q 对 INT4 数据范围的利用度更高：

（2）对 Q, K 进行 Per-thread 量化。对于矩阵 Q, K，SageAttention2 采用了根据 mma 指令对矩阵内存排布的要求，对 Q，K 中的 Token 按照 GPU 线程进行分组，使量化粒度比 SageAttention 中的 per-block 细化 16 倍，极大提高了 4Bit 的 QK^⊤乘法准确度的同时不引入任何额外开销。

具体来说，在 SageAttention 中，每个 Q 的块将被划分为 c_w 个段，由 GPU 流处理器（SM）中的 c_w 个 GPU warp 处理。然后，每个包含 32 个线程的 warp 会使用 NVIDIA 的 mma.m16n8k64 PTX 指令来执行 QK^⊤运算。根据这一指令的布局要求，研究团队发现一个 warp 内的 Q [8×(n%8)] 可以共用一个量化缩放参数，而一个 warp 内的 K [8×(n%8)] 和 K [8×(n%8+1)] 也可以共用一个量化缩放参数，其中 n 是 token 索引。

这种量化方法更为细致且不增加额外开销。这是因为它根据 MMA 指令的布局将不同的 GPU 线程分配到不同的量化 Token 组，每个线程只对应一个量化缩放参数进行反量化。而非 Per-token 量化那样，每个线程对应多个量化缩放参数。

如下表所示，可以发现 per-thread 量化的准确度比 SageAttention 中采用的 per-block 量化高得多，准确度和 per-token 量化几乎没有差别。

（3）对 FP8 的 PV 矩阵乘法采用 FP32 的寄存器将每次 FlashAttention 分块粒度的 PV 的 FP22 的乘法结果累加起来。这种做法可以有效地避免 FP22 的乘法累加器沿着序列长度累积过多的误差，将 FP22 累加器带来的误差控制在 FlashAttention 分块的粒度中，提高了 FP8 的 PV 乘法的准确度。

（4）针对 P 和 V，研究团队对比了多种量化的数据类型，对比发现使用 E4M3 数据格式的 FP8 精度最准确，基本接近了 FP16 的准确度。因此采用将 P 和 V 量化至 E4M3。

下图展示了 SageAttention2 的算法流程：

SageAttention2 共实现了两种 Kernel，区别在于对 Q, K 进行 INT4 量化还是 INT8 量化：

此外，SageAttention2 还提出一种可选的对矩阵 V 进行平滑处理的技术，可以进一步提高 PV 矩阵乘法的准确度。具体来说，当某些模型中 V 矩阵具有通道维度的偏移时，可以将 V 减去其通道维度的平均值 mean (V) 来去除偏移，之后进行正常的量化 Attention 运算。只需要对最终 Attention 的 Output 加上 mean (V) 即可保持计算的正确性。