Faster Neighborhood Attention: Reducing the O(n^2) Cost of Self Attention at the Threadblock Level

要約

近隣注目は、各トークンの注目範囲をその最も近い隣接トークンに制限することで、自己注目のコストを削減します。
この制限は、ウィンドウ サイズと拡張係数によってパラメータ化され、線形投影と自己注意の間で考えられる注意パターンのスペクトルを描画します。
近隣の注意、より一般的にはスライディング ウィンドウの注意パターンは、特に上位空間 (2-D および 3-D) においてインフラストラクチャによって長い間制限されており、カスタム カーネルの開発が必要であり、いずれかの機能が制限されていました。
両方ではないにしても、パフォーマンス。
この取り組みでは、近隣への配慮を実現するための 2 つの新しい方法を提供することで、既存のインフラを大幅に改善することを目指しています。
まず、近隣アテンションが標準のアテンションと同様にバッチ処理された GEMM 問題として表現できることを示し、それを 1 次元および 2 次元の近隣アテンションに対して実装します。
これらのカーネルは、1 次元および 2 次元の近傍アテンションに関して、既存の単純な CUDA カーネルと比較して、完全精度ランタイムで平均してそれぞれ 895% および 272% の向上を実現します。
メモリ帯域幅に大きく制限されることに加えて、近隣アテンションのすべての未融合実装には特定の固有の非効率が存在し、ほとんどの場合、理論的な効率の向上が台無しになることがわかりました。
融合ドット積アテンション カーネルの進歩に動機付けられて、私たちは融合近隣アテンションを開発しました。
融合ドット積注意カーネルの適応により、さまざまな空間軸にわたる注意のきめ細かな制御が可能になります。
セルフ アテンションの 2 次時間計算量を線形計算量に削減することで知られている近隣アテンションは、削減された一定のメモリ フットプリントと記録破りの半精度ランタイムを享受できるようになりました。
融合された実装は、融合されていない実装で避けられない非効率性の一部をうまく回避していることがわかります…

要約(オリジナル)

Neighborhood attention reduces the cost of self attention by restricting each token’s attention span to its nearest neighbors. This restriction, parameterized by a window size and dilation factor, draws a spectrum of possible attention patterns between linear projection and self attention. Neighborhood attention, and more generally sliding window attention patterns, have long been bounded by infrastructure, particularly in higher-rank spaces (2-D and 3-D), calling for the development of custom kernels, which have been limited in either functionality, or performance, if not both. In this work, we aim to massively improve upon existing infrastructure by providing two new methods for implementing neighborhood attention. We first show that neighborhood attention can be represented as a batched GEMM problem, similar to standard attention, and implement it for 1-D and 2-D neighborhood attention. These kernels on average provide 895% and 272% improvement in full precision runtime compared to existing naive CUDA kernels for 1-D and 2-D neighborhood attention respectively. We find that aside from being heavily bound by memory bandwidth, certain inherent inefficiencies exist in all unfused implementations of neighborhood attention, which in most cases undo their theoretical efficiency gain. Motivated by the progress made into fused dot-product attention kernels, we developed fused neighborhood attention; an adaptation of fused dot-product attention kernels that allow fine-grained control over attention across different spatial axes. Known for reducing the quadratic time complexity of self attention to a linear complexity, neighborhood attention can now enjoy a reduced and constant memory footprint, and record-breaking half precision runtime. We observe that our fused implementation successfully circumvents some of the unavoidable inefficiencies in unfused implementations…

arxiv情報

提供元, 利用サービス

arxiv.jp, Google