flash-attention保姆级安装教程

FlashAttention安装教程

FlashAttention 是一种高效且内存优化的注意力机制实现，旨在提升大规模深度学习模型的训练和推理效率。

• 高效计算：通过优化 IO 操作，减少内存访问开销，提升计算效率。

• 内存优化：降低内存占用，使得在大规模模型上运行更加可行。

• 精确注意力：保持注意力机制的精确性，不引入近似误差。

• FlashAttention-2 是 FlashAttention 的升级版本，优化了并行计算策略，充分利用硬件资源。改进了工作负载分配，进一步提升计算效率。

• FlashAttention-3：FlashAttention-3 是专为 Hopper GPU（如 H100）优化的版本，目前处于 Beta 测试阶段。

常见问题:
安装成功后，实际模型代码运行时报错未安装，核心原因就是cxx11abiFALSE这个参数，表示该包在构建时不启用 C++11 ABI。
必须开启不使用才行。否则报错如下：
ImportError: This modeling file requires the following packages that were not found in your environment: flash_attn.

最佳安装步骤(方法1)

1. 安装依赖：
   • 基础环境：cuda12.1、nvcc.
   • 安装python，示例3.10。
   • 安装PyTorch，示例orchtorch2.3.0; torchvision0.18.0
   • ninja Python 包
2. 获取releases对应的whl包：
   - 地址：https://github.com/Dao-AILab/flash-attention/releases
   - 按照系统环境选whl
   
   3. 我的环境对应的包是：flash_attn-2.7.2.post1+cu12torch2.3cxx11abiTRUE-cp310-cp310-linux_x86_64.whl，解释如下：
   • flash_attn: 包的名称，表示这个 Wheel 文件是 flash_attn 包的安装文件。
   • 2.7.2.post1: 包的版本号，遵循 PEP 440 版本规范。
     • 2.7.2: 主版本号，表示这是 flash_attn 的第 2.7.2 版本。
     • post1: 表示这是一个“后发布版本”（post-release），通常用于修复发布后的某些问题。
   • +cu12torch2.3cxx11abiFALSE: 构建标签，表示该 Wheel 文件是在特定环境下构建的。
     • cu12: 表示该包是针对 CUDA 12 构建的。
     • torch2.3: 表示该包是针对 PyTorch 2.3 构建的。
     • cxx11abiFALSE: 表示该包在构建时不启用 C++11 ABI（Application Binary Interface）。如果安装包后不识别，就要选为False的版本。
   • cp310: Python 版本的标签，表示该包是为 Python 3.10 构建的。
     • cp310: 是 cpython 3.10 的缩写，表示该包适用于 CPython 解释器的 3.10 版本。
   • linux_x86_64: 平台标签，表示该包是为 Linux 操作系统和 x86_64 架构（即 64 位 Intel/AMD 处理器）构建的。
   • .whl: 文件扩展名，表示这是一个 Python Wheel 文件。Wheel 是 Python 的一种二进制分发格式，用于快速安装包。

如何安装

可以使用 pip 安装这个 Wheel 文件：

pip install flash_attn-2.7.2.post1+cu12torch2.3cxx11abiTRUE-cp310-cp310-linux_x86_64.whl --no-build-isolation

常规安装步骤（方法二）

1. 安装依赖：

   • CUDA 工具包或 ROCm 工具包
   • PyTorch 1.12 及以上版本
   • packaging 和 ninja Python 包

   pip install packaging ninja
   

2. 安装 FlashAttention：

   # 后面--no-build-isolation参数是为了pip 会直接在当前环境中构建包，使用当前环境中已安装的依赖项。
   # 如果当前环境缺少构建所需的依赖项，构建过程可能会失败。
   pip install flash-attn --no-build-isolation
   

   或从源码编译：

   # 下载源码后，进行编译
   cd flash-attention
   python setup.py install
   

3. 运行测试：

   export PYTHONPATH=$PWD
   pytest -q -s test_flash_attn.py
   

4. 补充说明：

   4.1 上面运行时，建议设置参数MAX_JOBS，限制最大进程数，不然系统容易崩。本人在docker下安装，直接干重启了，所以建议如下方式运行：

   MAX_JOBS=4 pip install flash-attn --no-build-isolation
   

   4.2 如果运行时会出现警告且推理速度依旧很慢，需要继续从源码安装rotary和layer_norm，cd到源码的那两个文件夹，执行 python setup.py install进行安装，如果命令报错弃用，可能要用easy_install命令。
   

接口使用

import flash_attn_interface
flash_attn_interface.flash_attn_func()

硬件支持

NVIDIA CUDA 支持

• 支持 GPU：Ampere、Ada 或 Hopper 架构 GPU（如 A100、RTX 3090、RTX 4090、H100）。
• 数据类型：FP16 和 BF16。
• 头维度：支持所有头维度，最大至 256。

AMD ROCm 支持

• 支持 GPU：MI200 或 MI300 系列 GPU。
• 数据类型：FP16 和 BF16。
• 后端：支持 Composable Kernel (CK) 和 Triton 后端。

性能优化

Triton 后端

Triton 后端的 FlashAttention-2 实现仍在开发中，目前支持以下特性：

• 前向和反向传播：支持因果掩码、变长序列、任意 Q 和 KV 序列长度、任意头大小。
• 多查询和分组查询注意力：目前仅支持前向传播，反向传播支持正在开发中。

性能改进

• 并行编译：使用 ninja 工具进行并行编译，显著减少编译时间。
• 内存管理：通过设置 MAX_JOBS 环境变量，限制并行编译任务数量，避免内存耗尽。

结论

FlashAttention 系列通过优化计算和内存使用，显著提升了注意力机制的效率。无论是研究人员还是工程师，都可以通过本文提供的安装和使用指南，快速上手并应用于实际项目中。随着 FlashAttention-3 的推出，针对 Hopper GPU 的优化将进一步推动大规模深度学习模型的发展。

参考链接

• FlashAttention 源码