LLM高效推理：KV缓存与分页注意力机制深度解析

KVSpcD9TY · 2025-2-25 13:14:41

<div id="container" data-v-1d7a5742="" data-element="root" contentScore="2356">随着大型语言模型（LLM）规模和复杂性的持续增长，高效推理的重要性日益凸显。KV（键值）缓存与分页注意力是两种优化LLM推理的关键技术。本文将深入剖析这些概念，阐述其重要性，并探讨它们在仅解码器（decoder-only）模型中的工作原理。

常规推理机制

首先，我们通过一个简单的例子来理解Transformer模型中典型的推理过程。假设我们需要生成短语：
“The quick brown fox jumped”
以下是常规推理的简化实现：
import numpy as np# 简化的嵌入表示，仅用于演示embeddings = { 'The': np.array([1, 0, 0, 0]), 'quick': np.array([0, 1, 0, 0]), 'brown': np.array([0, 0, 1, 0]), 'fox': np.array([0, 0, 0, 1]), 'jumped': np.array([1, 1, 0, 0])}# 权重矩阵（简化）W_Q = W_K = W_V = np.array([[1, 0], [0, 1], [0, 0], [0, 0]])def compute_attention(self, input_words): # 将单词转换为嵌入向量 E = np.array([embeddings[word] for word in input_words]) # 计算所有token的K和V矩阵 K = E @ W_K # 形状: (seq_len, 2) V = E @ W_V # 形状: (seq_len, 2) # 计算最后一个token的Q矩阵 Q = E[-1] @ W_Q # 形状: (1, 2) # 计算缩放的点积注意力得分 scale = np.sqrt(2) # 缩放因子，为key/query维度（此处为2）的平方根 scores = (Q @ K.T) / scale # 形状: (1, seq_len) # 应用Softmax函数，获得注意力权重 attention_weights = self.softmax(scores) # 形状: (1, seq_len) # 将注意力权重应用于V矩阵 output = attention_weights @ V # 形状: (1, 2) return output

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.
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.
38.

以下是逐步生成的过程：
# 步骤1: 生成 "brown"input_words_step1 = ['The', 'quick']output_step1 = compute_attention(input_words_step1)# 步骤2: 生成 "fox"input_words_step2 = ['The', 'quick', 'brown']output_step2 = compute_attention(input_words_step2)# 步骤3: 生成 "jumped"input_words_step3 = ['The', 'quick', 'brown', 'fox'] output_step3 = compute_attention(input_words_step3)

1.
2.
3.
4.
5.
6.
7.
8.
9.

冗余计算：观察上述代码可以发现对于每个新生成的token：

需要为所有先前的token重新计算K和V矩阵。
矩阵的大小随着token数量的增加而增大。
存在大量不必要的重复计算。

KV缓存机制

当使用Transformer模型生成文本时，通过缓存键（K）和值（V）矩阵，可以显著优化推理过程。下图展示了KV缓存的工作原理：

在上图中：

q_new表示最新token的查询向量。
K_prev和V_prev是从先前计算中缓存得到的键和值矩阵。
k_new和v_new仅为当前新token计算。
蓝色箭头表示如何利用缓存值和新值计算注意力。

以下是KV缓存的实现示例：
def compute_attention_with_cache(self, input_words): """使用KV缓存计算注意力""" # 获取新token（序列中的最后一个单词） new_word = input_words[-1] e_new = embeddings[new_word] # 计算新token的K和V矩阵 K_new = e_new @ W_K # 形状: (2,) V_new = e_new @ W_V # 形状: (2,) # 更新缓存的K和V矩阵 if self.cached_K is None: self.cached_K = K_new.reshape(1, -1) # 形状: (1, 2) self.cached_V = V_new.reshape(1, -1) # 形状: (1, 2) else: self.cached_K = np.vstack([self.cached_K, K_new]) # 形状: (seq_len, 2) self.cached_V = np.vstack([self.cached_V, V_new]) # 形状: (seq_len, 2) # 计算最后一个token的Q矩阵 Q = e_new @ W_Q # 形状: (2,) # 使用缓存的K矩阵计算缩放的点积注意力得分 scale = np.sqrt(2) # 缩放因子，为key/query维度（此处为2）的平方根 scores = (Q @ self.cached_K.T) / scale # 形状: (1, seq_len) # 应用Softmax函数，获得注意力权重 attention_weights = self.softmax(scores) # 形状: (1, seq_len) # 使用缓存的V矩阵计算注意力输出 output = attention_weights @ self.cached_V # 形状: (1, 2) return output

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.
26.
27.
28.
29.
30.
31.
32.

以下是逐步生成的过程：
# 步骤1: 生成 "brown"input_words_step1 = ['The', 'quick']output_step1 = compute_attention_with_cache(input_words_step1)# 步骤2: 生成 "fox"input_words_step2 = ['The', 'quick', 'brown']output_step2 = compute_attention_with_cache(input_words_step2)# 步骤 3: 生成 "jumped"input_words_step3 = ['The', 'quick', 'brown', 'fox'] output_step3 = compute_attention_with_cache(input_words_step3)

1.
2.
3.
4.
5.
6.
7.
8.
9.

比较有无KV缓存的推理计算
内存需求与挑战

我们来看一个使用典型模型参数的实际例子：

序列长度: 4096
层数: 32
注意力头数: 32
头维度: 128
精度: FP16 (2 bytes)

每个token所需的内存：
KV_cache_per_token = 2×num_layers×(num_heads×head_dim)×precision = 2 × 32 × (32 × 128) × 2 bytes = 2 × 32 × 4096 × 2 bytes = 524,288 bytes ≈ 0.5 MB

1.
2.
3.
4.
5.

KV缓存的低效性

尽管KV缓存显著提高了计算效率，但它也带来了内存管理方面的挑战。以下是三种主要的内存低效类型：

内部碎片

由因未知输出长度而导致的过度分配引起。
示例：在图像中，2040个槽位从未被使用。
影响：可能浪费高达60-80％的已分配内存。
解决方案：更精确的输出长度估计或动态分配策略。

预留浪费

为将来的token生成而预留的内存。
在图像中显示为“3 slots future used (reserved)”。
维持生成连续性的必要措施。
可以通过更好地预测所需的未来槽位来优化。

外部碎片

由处理具有不同序列长度的多个请求导致。
在不同请求之间创建内存间隙。
解决方案包括内存碎片整理和智能请求批处理。

如上图所示，通常仅有20-40％的KV缓存被用于存储实际的token状态。
分页注意力：解决内存低效的方案

为了应对这些内存挑战，可以采用分页注意力机制。
分页注意力是一种用于有效处理Transformer模型中长序列的技术，它通过将注意力计算分解为更小、更易于管理的“页”或“块”来实现。这种方法降低了内存消耗和计算复杂度，从而能够处理原本因过大而无法放入内存的序列。
def compute_attention_with_paging(self, input_words): """使用分页KV缓存计算注意力""" # 获取新token（序列中的最后一个单词） new_word = input_words[-1] e_new = embeddings[new_word] # 计算新token的K和V矩阵 K_new = e_new @ W_K # 形状: (2,) V_new = e_new @ W_V # 形状: (2,) # 确定当前页的索引 total_tokens = sum(len(K_page) for K_page in self.cached_K_pages) + 1 current_page_idx = (total_tokens - 1) // PAGE_SIZE # 如果需要，初始化新页 if len(self.cached_K_pages)