大模型训练推理神作，又更新了！
主流大模型都在用的FlashAttention，刚刚升级第三代。
时隔一年，FlashAttention-3已经全方位升级。
训练速度提升1.5-2倍，FP16下计算吞吐量高达740TFLOPs/s，达理论最大吞吐量75%，更充分利用计算资源，此前只能做到35%。
FP8下速度接近1.2PFLOPs/s！
同时误差也进一步减小，FP8下的误差比标准Attention减少2.6倍。
而且这一次，不再是一作Tri Dao单打独斗，FlashAttention-3直接和英伟达、Meta、谷歌等合作，针对最强芯片H100专门做优化。
英伟达CUTLASS团队和cuDNN团队，都直接为该研究提供支持。
同时和前作一样，FlashAttention-3也将开源，PyTorch和Hugging Face中都集成。
作者之一Vijay Thakkar激动表示：
曾经在FA2发布时，我就说过这句话。今天，我想再说一次：
看到CUTLASS和CuTe被用来开让Tensor Core大显身手的新算法，真的泰裤辣。
前Stable Diffusion老板Emad也非常关注这一进展，他推测使用FlashAttention-3，能将4090的FP8计算吞吐量推升到700+TFLOPs。
充分利用Hopper架构特点
自初代发布以来，FlashAttention已经使大模型速度提高了4-8倍，但还有一个遗憾：尚未充分利用现代 GPU。
针对英伟达H100倍后的Hopper架构新特性，三代进行了专门优化。
整个系列的核心思路，是IO感知优化和分块处理。
作者认为，传统的注意力机制效率低的原因，在处理长序列时，会出现内存访问操作频繁，以及算法复杂度指数级暴增这两大问题。
FlashAttention通过IO感知优化将数据从较大但缓慢的高带宽内存（HBM）加载到较小但更快的片上内存（SRAM），在SRAM中执行计算，减少了内存读写操作的次数。
分块处理则是将输入序列分成若干小块，每次只处理一个小块的数据。这种方法使得每次处理的数据量减少，从而降低了内存使用和计算复杂度。
这样一来，两个关键问题就得到了解决，这两大核心思想也在本次的FlashAttention-3中得到了继承。
△第一代FlashAttention原理图
但是，第一代的FlashAttention也遗留下了并行性不够强、工作分区划分不合理，以及非矩阵乘法较多（GPU计算单元处理矩阵乘法比非矩阵速度更快）的问题。
针对这一问题，第二代FlashAttention通过重写softmax，减少了重新缩放操作、边界检查和因果屏蔽操作的次数，使得大部分计算集中在矩阵乘法上。
另外，FlashAttention-2引入了序列长度维度上的并行化，并针对工作在线程块之间的分配进行了优化，GPU利用效率更高了。
可以说前两代当中，作者一直坚持着充分利用硬件特点这一思路，但站在今天的视角来看，对硬件的挖掘仍然不够充分。
到了这次的FlashAttention-3，由于是直接和英伟达官方合作，对英伟达Hopper架构特点的理解更加透彻，软硬件之间的协同进一步增强了。
FlashAttention-3的技术报告显示，为了充分匹配Hopper架构，团队主要做了三方面的技术升级。
首先，Hopper架构的一个重要特点是Tensor Core的异步性，FlashAttention-3针对性地提出了一种异步方式。
具体来说，FlashAttention-3引入了一种“生产者（Producer）-消费者（Consumer）”的编程模型，将注意力的计算划分为两个角色。
- “生产者”负责将数据从HBM异步加载到片上共享内存（SMEM）。这个过程主要利用了Hopper GPU的张量内存加速器（TMA），可以在不阻塞CUDA核心的情况下进行数据传输。
- 消费者直接从共享内存读取数据，并使用Tensor Core执行矩阵乘法等计算密集型任务。由于共享内存的访问延迟远低于全局内存，消费者可以快速获取所需数据，提升计算效率。
△Hopper中的张量内存加速器
为了实现角色的划分，作者引入了warp专门化技术，用不同的warp分别匹配生产者和消费者，让两者可以并行执行。
这其中利用了Hopper架构的动态warp寄存器分配特性，通过setmaxnreg指令优化了寄存器资源的利用。
为了进一步提高GPU的利用率，作者又提出了一种“乒乓调度”策略，让一个warp组执行矩阵乘法时，另一个warp组执行softmax，从而实现计算的重叠。
具体讲，FlashAttention-3使用CUDA的同步原语控制不同warp组之间的执行顺序，让不同warp组分别执行两种运算，然后像乒乓球一样交替运行。
第二大技术特点，是warp组内部GEMMs和softmax的重叠，核心奥义是重新安排计算的执行顺序以提高GPU利用率。
与乒乓调度不同，这里的计算重排处理的是warp组内部的重叠，而乒乓调度更关注组间协调。
实现方式上，FlashAttention-3提出了一种两阶段GEMM-softmax流水线方案，以打破不同操作之间的数据依赖。
- 第一阶段，当前迭代（iteration）的softmax操作与下一个迭代的Q·K^T矩阵乘法重叠执行。
- 第二阶段，当前迭代的P·V矩阵乘法与下一个迭代的softmax操作重叠执行。
通过引入额外的寄存器和共享内存缓冲区，FlashAttention-3实现了跨迭代的数据传递和重用。
在每个迭代中，Q·K^T的结果首先存储在名为S_cur的缓冲区中，用于当前迭代的softmax计算，同时异步执行下一个迭代的Q·K^T矩阵乘法，结果存储在名为S_next的缓冲区中。
在执行当前迭代的P·V矩阵乘法时,异步执行下一个迭代的softmax操作，并更新S_cur和S_next缓冲区。
第三项更新，是用更低的FP8精度替代FP16。
实际上，降低数值精度是一种常见的优化策略，可以显著提高GPU的计算吞吐量和能效，Hopper GPU也引入了FP8精度的Tensor Core支持。
但是，直接将注意力计算从FP16转换为FP8可能会引入较大的精度损失。
另外，FP8 Tensor Core对输入数据的布局也有特定的要求（K维度连续），不幸的是，注意力计算中的输入数据存储格式（头维度连续）并不符合这样的要求。
所以FlashAttention-3首先引入了一系列内存布局转换技术，动态转置V矩阵的块，改变其连续方式，从而适配FP8 Tensor Core的布局要求。
在此基础之上，为了获得更高的计算精度，FlashAttention-3又采用了分块量化和非相干处理技术。
传统的量化方法通常对整个矩阵使用一个统一的缩放因子（per-tensor quantization），无法很好地适应不同区域的数值范围。
FlashAttention-3则采用了分块量化（block-wise quantization）的策略，为每个块单独设置缩放因子，更好地捕捉局部的数值分布。
非相干处理（incoherent processing）技术则是通过随机正交矩阵对输入数据进行旋转，破坏不同块之间的相干性，减少量化误差的传播。
这两项技术的结合使得FlashAttention-3在FP8精度下取得了更高的计算精度，显著优于传统的量化方法。
结果，与基于传统量化方法的FP8实现相比，FlashAttention-3的使得精度提高了2.6倍。
比标准Attention快16倍
以上就是FlashAttention-3在充分研究Hopper架构特点后做出的三大更新，针对更新后的表现，作者主要进行了3方面测试。
- 注意力基准测试
- 消融实验
- FP8注意力准确性测试
首先来看注意力基准测试。
通过改变序列长度（512、1k、……16k），并设置批大小以确保总token数为16k。研究人员将隐藏维度设置为2048，头维度设置为64、128或258，计算前向传播、后向传播。
对比标准Attention、FlashAttention-2、Triton、cuDNN和FlashAttention-3，在H100 80GB SXM5上FP16的运行时间。
FlashAttention-3的前向传播比FlashAttention-2快1.5-2倍，后向传播快1.5-1.75倍。
与标准Attention相比，FlashAttention-3的速度快了3-16倍。
对于中长序列（1k以上），FlashAttention-3甚至超过了专门为H100优化的cuDNN。
在消融实验中，通过对非因果FP16 FlashAttention-3进行了2阶段WGMMA-softmax流水线和warp特殊化的消融研究，参数固定为{batch, seqlen, nheads, hdim} = {4, 8448, 16, 128}。
结果证实，FlashAttention-3改进带来了显著加速，从570提升到661。
另外，因为对FlashAttention的数值误差感兴趣，研究团队还将FlashAttention-2、FlashAttention-3和标准Attention进行了比较。
为了模拟LLMs中的异常特征和激活，研究团队生成了Q、K、V的条目，分布为：N(0,1)+N(0,100)⋅Bernoulli(0.001)
也就是说，每个条目都服从均值为0、标准差为1的正态分布，但对于0.1%的条目，增加了一个独立的项，其标准差为10。然后测量均方根误差（RMSE）。
结果显示，在FP16中，由于中间结果（softmax）保留在FP32中，FlashAttention-2和FlashAttention-3的RMSE比标准Attention减少1.7倍。
FP8的标准Attention使用每个张量的缩放，matmul累加器在FP32中，中间softmax结果保留在FP16中。由于块量化和非相干处理，FP8中的FlashAttention-3比这个基线更准确2.6倍。
最后，论文还表示目前工作专注于Hopper架构，后续将推广到其他硬件。
除了英伟达为研究提供了技术支持外，Meta、Together AI和普林斯顿大学为研究提供了计算支持。
