Mistral 7B在平衡高性能和保持大型语言模型高效的目标方面迈出了重要的一步。通过我们的工作,我们的目标是帮助社区创建更实惠、更高效、更高性能的语言模型,这些模型可以在广泛的现实世界应用程序中使用。
Mistral 7B在实践中,对于16K和W=4096的序列长度,对FlashAttention[11]和xFormers[18]进行了更改,比普通注意力基线的速度提高了2倍。
本文学习论文FlashAttention:FlashAttention: Fast and Memory-Efficient Exact Attention with IO-Awareness的相关内容。
论文链接:https://arxiv.org/abs/2205.14135
摘要
transformer在长序列上速度慢且内存消耗大,因为自注意力的时间和内存复杂度在序列长度上是二次方。近似注意力方法试图通过权衡模型质量来降低计算复杂度来解决这个问题,但往往无法实现整体加速。本文认为,缺失的一个原则是使注意力算法IO感知-考虑GPU内存级别之间的读写。本文提出FlashAttention,一种io感知的精确注意力算法&#