Grouped Query Attention论文阅读_group query attention

论文：GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints

1. 背景介绍

Google在2023年发表的一篇关于Transformer Attention的论文，整体论文写的清晰易读，思想简单但很好用。论文名字简写是GQA，但实际分别代表了两种缩写：

1. Generalized Multi Query Attention
2. Grouped Query Attention

2. 详细介绍

2.1 通用Multi-Query Attention

在之前的Multi-Query Attention【$MQA$】方法中只会保留一个单独的key-value头，这样虽然可以提升推理的速度，但是会带来精度的损失，这篇论文的第一个思路是基于多个$MQA$的checkpoint进行finetuning，来得到了一个质量更高的$MQA$模型。这个过程也被称为Uptraining。

具体分为两步：

1. 对多个$MQA$的checkpoint文件进行融合，融合的方法是通过对key和value的head头进行mean pooling操作，如下图。
2. 对融合后的模型使用少量数据进行finetune训练，重训后的模型大小跟之前一样，但是效果会更好

2.2 Grouped-query attention

如下图所示，在一般的attention中是Multi-head多头结构，每个头有自己单独的key-value对；在Multi-query attention结构中只会有一组key-value对；在Grouped-query attention对attention进行分组操作，query被分为N组，每一组分别与一对key-value对进行映射。

在基于Multi-head多头结构变为Grouped-query分组结构的时候，也是采用跟2.1一样的方法，对每一组的key-value对进行mean pool的操作进行参数融合。融合后的模型能力更综合，精度比Multi-query好，同时速度比Multi-head快。

3. 应用

在llama2中有用到GQA, 在推理过程中由于多个query会复用相同的key-value对，所以对于KV-Cache存储会减少对key-value对的存储，减少了 n_heads / n_kv_heads 倍，这里的n_heads是原始Multi-head的头数，n_kv_heads是Grouped-query分组后每组中key-value对的数量。

在实际使用中，会根据从压缩后的key-value对进行还原操作，也就是repeat操作。在llama2中代码如下：

# https://github.com/facebookresearch/llama/blob/4d92db8a1db6c7f663252bf3477d2c4b8bad2385/llama/model.py#L77
def repeat_kv(x: torch.Tensor, n_rep: int) -> torch.Tensor:
    """torch.repeat_interleave(x, dim=2, repeats=n_rep)"""
    bs, slen, n_kv_heads, head_dim = x.shape
    if n_rep == 1:
        return x
    return (
        x[:, :, :, None, :]
        .expand(bs, slen, n_kv_heads, n_rep, head_dim)
        .reshape(bs, slen, n_kv_heads * n_rep, head_dim)
    )
1
2
3
4
5
6
7
8
9
10
11

repeat_kv在github上一个示例如下, 假设repeat 2次操作：

>>> x = torch.rand(1, 2, 3, 4)
>>> x
tensor([[[[0.1269, 0.8517, 0.4630, 0.1814],
          [0.3441, 0.1733, 0.3397, 0.5518],
          [0.2516, 0.6651, 0.1699, 0.0092]],

         [[0.9057, 0.8071, 0.6634, 0.5770],
          [0.1865, 0.2643, 0.8765, 0.8715],
          [0.3958, 0.9162, 0.7325, 0.9555]]]])
>>> n_rep = 2
>>> bs, slen, n_kv_heads, head_dim = x.shape
>>> x[:, :, :, None, :].expand(bs, slen, n_kv_heads, n_rep, head_dim).reshape(bs, slen, n_kv_heads * n_rep, head_dim)
tensor([[[[0.1269, 0.8517, 0.4630, 0.1814],
          [0.1269, 0.8517, 0.4630, 0.1814],
          [0.3441, 0.1733, 0.3397, 0.5518],
          [0.3441, 0.1733, 0.3397, 0.5518],
          [0.2516, 0.6651, 0.1699, 0.0092],
          [0.2516, 0.6651, 0.1699, 0.0092]],

         [[0.9057, 0.8071, 0.6634, 0.5770],
          [0.9057, 0.8071, 0.6634, 0.5770],
          [0.1865, 0.2643, 0.8765, 0.8715],
          [0.1865, 0.2643, 0.8765, 0.8715],
          [0.3958, 0.9162, 0.7325, 0.9555],
          [0.3958, 0.9162, 0.7325, 0.9555]]]])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

4. 参考

• GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints
• Multi-Head Attention: Collaborate Instead of Concatenate
• Grouped-Query Attention #384