FlashAttention2原理解析以及面向AIGC的加速实践

FlashAttention-2提出后，便得到了大量关注。本文将具体讲述FlashAttention-2的前世今生，包括FlashAttention1&2的原理解析、加速效果比较以及面向AIGC的加速实践，在这里将相关内容与大家分享～

引言

将 Transformers 扩展到更长的序列长度一直是过去几年的一个热点问题，这将有助于提高语言建模和高分辨率图像理解的能力，也有利于音频和视频生成方面的新应用场景研发。Attention层是扩展到更长序列的主要瓶颈，因为它的运行时间和内存占用是序列长度的二次方。使用近似计算的Attention方法，可以通过减少FLOP计算次数、甚至于牺牲模型质量来降低计算复杂性，但通常无法实现大比例的加速。



由斯坦福大学提出的FlashAttention方法，让使用更长sequence计算Attention成为可能，并且通过线性级别的增长来节省内存以及加速计算。因为FlashAttention没有进行近似计算，所以也没有精度损失。然而，FlashAttention的实际速度仍然和理论上的运算速度差距较大，仅达到理论最大 FLOPs/s 的 25-40%。效率低下的原因主要是不同线程块和warp之间的工作分区不理想，导致低占用率或不必要的共享内存读/写。为此，2023年7月，论文作者进一步提出了FlashAttention-2，实现了Attention计算速度的大幅度提升。

FlashAttention

▐  主要内容

FlashAttention主要关注IO-aware，进一步优化GPU显存的读写效率。这是一种 IO 感知的精确Attention算法，它使用tiling（这里可以理解为分块）来减少 GPU 高带宽内存 (HBM) 和 GPU 片上 SRAM 之间的内存读/写次数。这里的HBM可以理解为显存，SRAM可以理解为cache。通过测试IO复杂性，相比标准 Attention，FlashAttention需要更少的 HBM 访问，并且对于不同的SRAM 大小来说都是有效的。除此以外，FlashAttention还可以扩展到block-sparse attention，产生比任何现有近似注意力方法更快的近似注意力算法。



FlashAttention与 MLPerf 1.1 训练速度相比，对于BERT-large（序列长度 512）实现端到端wall-clock加速15%，对于GPT-2（序列长度 1K）加速 3 倍。FlashAttention 和block-sparse FlashAttention 可在 Transformers 中实现更长的上下文，从而产生更高质量的模型，GPT-2 上的困惑度提升0.7，长文档分类的test结果提高 6.4 个点。

▐  主要操作

背景知识：

上图的左图，表示存储结构，可以简单理解为：SRAM表示缓存，HBM表示显存，DRAM表示内存。

tiling

在不访问整个输入的情况下优化attention计算，并减少相关计算量。重构attention计算，将输入分割成块，并对分块进行多次传递，从而逐步执行attention计算（该步骤称为tiling）。



如上图所示，FlashAttention 使用tiling来防止在相对较慢的 GPU显存上实现大型 𝑁 × 𝑁 注意力矩阵（虚线框）计算。在外部循环（红色箭头）中，FlashAttention 循环遍历 K 和 V 矩阵块，并将它们加载到快速片上 SRAM。在每个块中，FlashAttention 循环遍历 Q 矩阵块（蓝色箭头），将它们加载到 SRAM，并将注意力计算的输出写回 HBM。



将输入Q、K、V矩阵分成很多块，将它们从较慢的HBM加载到较快的SRAM，然后在SRAM计算关于这些块的注意力输出。对每个块的计算结果缩放之后进行add操作，则得到正确的结果，具体伪代码如图：

recomputing

FlashAttention不专门存储用于后向计算的大型中间计算结果。在SRAM中存储前向计算中的 softmax 归一化因子，以便在后向传递计算梯度的时候快速得到中间结果，这比从 HBM 读取中间计算结果的标准方法更快。



FlashAttention不存储前向计算中𝑂(𝑁2)复杂度的中间值，但是后向传递通常需要矩阵 S, P ∈ R𝑁 ×𝑁 来计算相对于 Q、K、V 的梯度。通过存储输出 O 和 softmax 归一化统计量 (𝑚, ℓ)，则可以在 SRAM 中的 Q、K、V 块的后向计算中快速重新计算注意力矩阵 S 和 P。这可以看作是checkpoint的一种形式。



如下图所示，FlashAttention由于tiling分块操作和recomputing操作，增加了一些计算次数。但是还是通过使用SRAM减少了显存占用，通过减少hbm访问次数加快了attention计算。

▐  Block-Sparse FlashAttention

论文还提出了Block-sparse FlashAttention，其IO复杂度比FlashAttention小，与稀疏度成正比。非0矩阵越少（即0矩阵越多），稀疏化来压缩数据的空间就越大，block-sparse加速就越明显。上图中，IO复杂度与稀疏性成正比，随着稀疏性的增加（非0矩阵增加），Block-sparse FlashAttention的运行时间成比例地提高。

▐  小结

总的来说，FlashAttention有如下优点：

hbm访问次数降低，所以计算更快

在sram中计算attention，并对于后向计算提前保留中间结果，所以显存占用更少

可以使用更长的sequence，使得模型训练效果更好

对于attention计算，加速明显。如果加上稀疏化处理，速度会更快。

FlashAttention-2

▐  主要内容

FlashAttention 的整体速度仍然和单独进行矩阵乘法 (GEMM) 的运算速度差距较大，仅达到理论最大 FLOPs/s 的 25-40%。作者观察到效率低下的原因是不同线程块和warp之间的工作分区不理想，导致低占用率或不必要的共享内存读/写。最新提出 FlashAttention-2，通过更好的工作分区来解决这些问题，主要包含的操作：1.调整算法以减少非矩阵乘运算的计算次数。2.跨不同线程块进行并行化注意力计算。3.在每个线程块内， 在 warp 之间优化工作分配以减少共享内存的通信。



与FlashAttention 相比，FlashAttention-2速度提高了约 2 倍，达到 A100 上理论最大 FLOPs/s 的 50-73%，接近 GEMM 操作的效率。根据经验验证，当使用端到端来训练 GPT 式模型时，FlashAttention-2 的训练速度高达每 A100 GPU 225 TFLOPs/s（模型 FLOPs 利用率为 72%）。不同设置（有或没有causal mask、不同头部尺寸）的测试表明，FlashAttention-2 比 FlashAttention 实现了约 2 倍的加速，在前向传递中达到理论最大吞吐量的 73%，在后向传递中达到理论最大吞吐量的 63%。

▐  主要操作

减少非矩阵运算

调整算法以减少非 matmul（矩阵乘法） FLOP 的数量，同时不改变输出。虽然非 matmul FLOP 只占总 FLOP 的一小部分，但它们由于 GPU 具有专门的矩阵乘法单元，非矩阵乘法的运算需要更长的时间来执行，矩阵乘法吞吐量可以比非矩阵乘法吞吐量高出16倍。因此，减少非 matmul FLOP 并尽可能多的进行 matmul FLOP 非常重要。

背景知识：

吞吐量是指单位时间内完成的任务数量或数据处理量。在这个上下文中，吞吐量指的是执行矩阵乘法操作时的性能表现，以及执行其他非矩阵乘法操作时的性能表现。这句话的意思是，执行矩阵乘法操作时，系统能够以每单位时间处理更多的任务或数据，其数量可以高达非矩阵乘法操作时的16倍。这表明矩阵乘法操作在性能上比其他操作更加高效。

Forward pass：优化qkv的softmax计算中非矩阵运算

Backward pass：FlashAttention-2的后向传递与FlashAttention几乎相同，主要区别在于需要进行梯度计算与更新。这里做了一个小调整，只使用求和结果𝐿，而不是 softmax 中的行式最大值和行式指数和。

增加并行比例

除了batchsize维度和head数目维度，还在序列长度维度上对前向传播和反向传播进行并行化处理，提高并行性。在序列较长的情况下，提高GPU资源的占用率。FlashAttention对于batchsize和head数目进行并行化处理，FlashAttention2基于序列长度进行并行化。当批量大小和head数量较小时，序列长度上增加的并行性有助于提高占用率（正在使用的 GPU 资源的比例），从而在这种情况下实现加速。

Forward pass：对批量维度和头数维度进行并行化，如 FlashAttention 中所做的那样。对于外循环（在序列长度上），将它们调度到不需要彼此通信的不同线程块上，每个工作线程负责关注矩阵的一行block块。外循环每次处理一行block，内循环每次处理这一行中的一列block，这和FlashAttention处理方式是不同的。



Backward pass：不同列块之间唯一共享的计算是算法 2 中更新的dQ，其中我们需要将 dQ从 HBM 加载到 SRAM，然后在片上通过 dQ更新，并写回 HBM。我们使用原子添加在不同线程块之间进行通信以更新 dQ。我们也在序列长度维度上进行并行化，并为后向传递的每一列block块安排 1 个工作线程（和前向传递是反过来的）。

在warp上优化工作划分

在一个注意力计算的block内，在一个thread block的不同warp之间优化工作划分，以减少通信和共享内存的读/写。

在每个线程块内，我们也必须决定如何在不同的 warp 之间划分工作。我们通常每个线程块使用 4 或 8 个 warp，分区如上图所示。



Forward pass：对于每个块，FlashAttention 将 K 和 V 分割到 4 个 warp 上，同时保持 Q 可被所有 warp 访问。每个warp相乘得到 QK⊤ 的slice，然后它们需要与 V 的slice相乘并进行通信以将结果相加。这称为“split-K”方案。然而，这是低效的，因为所有 warp 都需要将其中间结果写入共享内存，进行同步，然后将中间结果相加。这些共享内存读/写会减慢 FlashAttention 中的前向传播速度。在 FlashAttention-2 中，我们将 Q 分成 4 个经线，同时保持所有经线均可访问 K 和 V。在每个扭曲执行矩阵乘法以获得 QK⊤ 切片后，它们只需与共享的 V 切片相乘即可获得相应的输出切片。warp 之间不需要通信。共享内存读/写的减少可以提高速度。

背景知识：

warp：由多个thread组成，是编程层面的概念。

flash1:k和v被分为4个不同的warp，q和k计算、再和v计算，每一次计算的中间结果都要写入共享内存，并在之后被读取。这样就增加了共享内存的读写次数、拖慢了速度。

flash2:将q分为4个不同的warp，然后计算qk、计算v。但是这里k和v不需要通信，所以计算v的时候，不需要新的内存读写。这样就减少了读写次数、加快了程序。

Backward pass：对于后向传递，我们选择对warp进行分区以避免“split-K”方案，从而减少共享内存的读/写次数，并再次提高速度。由于所有不同输入和梯度 Q、K、V、O、dO、dQ、dK、dV 之间的依赖性更加复杂，它需要一些同步操作。

▐  小结

FlashAttention-2可以加速attention计算。测量FlashAttention-2 在不同序列长度上的运行时间，并与 PyTorch、FlashAttention 和 Triton 中的 FlashAttention 中的标准实现进行比较。FlashAttention-2 比 FlashAttention 快 1.7-3.0 倍，比 Triton 中的 FlashAttention 快 1.3-2.5 倍，比标准注意力实现快 3-10 倍。



FlashAttention-2可以加速端到端训练。当使用端到端在 2k 或 8k 序列长度上训练大小为 1.3B 和 2.7B 的 GPT 型模型时，FlashAttention-2 与 FlashAttention 相比可实现高达 1.3 倍的加速，与基线相比可实现 2.8 倍的加速 没有FlashAttention。每个 A100 GPU 的 FlashAttention-2 速度高达 225 TFLOPs/s（模型 FLOPs 利用率为 72%）。



FlashAttention-2 比 FlashAttention 快 2 倍，可以用之前训练 8k 上下文模型的时间，来训练具有 16k 更长上下文的模型。使用更长的context训练模型，可以更好理解长篇书籍和报告、高分辨率图像、音频和视频。

FlashAttention-2加速实践

▐  时间与显存的优化效果

对于qkv计算，比较FlashAttention2与custom pytorch、xformers(FlashAttention1)的时间与显存消耗。如果只考虑QKV计算，flash attention2耗时是xformers（flash attention1）的一半，内存节省也更多一些。

flash attention2耗时是xformers（flash attention1）的一半，内存节省也更多一些


test 0 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
shape: (9, 351, 16, 64), dtype: torch.bfloat16, causal: True
custom pytorch time: 0.000754, peak memory: 113 MB
flash attention time: 0.000103, speedup: 7.29; peak memory: 45 MB, save: 60%
xformers time: 0.000255, speedup: 2.95; peak memory: 63 MB, save: 44%
test 1 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
shape: (9, 351, 16, 64), dtype: torch.bfloat16, causal: True
custom pytorch time: 0.000703, peak memory: 131 MB
flash attention time: 0.000106, speedup: 6.63; peak memory: 57 MB, save: 56%
xformers time: 0.000252, speedup: 2.80; peak memory: 70 MB, save: 46%
test 2 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
shape: (9, 351, 16, 64), dtype: torch.bfloat16, causal: True
custom pytorch time: 0.000721, peak memory: 131 MB
flash attention time: 0.000106, speedup: 6.78; peak memory: 57 MB, save: 56%
xformers time: 0.000263, speedup: 2.74; peak memory: 70 MB, save: 46%
test 3 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
shape: (9, 351, 16, 64), dtype: torch.bfloat16, causal: True
custom pytorch time: 0.000704, peak memory: 131 MB
flash attention time: 0.000105, speedup: 6.71; peak memory: 57 MB, save: 56%
xformers time: 0.000249, speedup: 2.82; peak memory: 70 MB, save: 46%
test 4 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
shape: (9, 351, 16, 64), dtype: torch.bfloat16, causal: True
custom pytorch time: 0.000700, peak memory: 131 MB
flash attention time: 0.000110, speedup: 6.35; peak memory: 57 MB, save: 56%
xformers time: 0.000254, speedup: 2.75; peak memory: 70 MB, save: 46%
test 5 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
shape: (9, 351, 16, 64), dtype: torch.bfloat16, causal: True
custom pytorch time: 0.000766, peak memory: 131 MB
flash attention time: 0.000106, speedup: 7.25; peak memory: 57 MB, save: 56%
xformers time: 0.000252, speedup: 3.04; peak memory: 70 MB, save: 46%
test 6 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
shape: (9, 351, 16, 64), dtype: torch.bfloat16, causal: True
custom pytorch time: 0.000684, peak memory: 131 MB
flash attention time: 0.000101, speedup: 6.77; peak memory: 57 MB, save: 56%
xformers time: 0.000268, speedup: 2.56; peak memory: 70 MB, save: 46%
test 7 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
shape: (9, 351, 16, 64), dtype: torch.bfloat16, causal: True
custom pytorch time: 0.000717, peak memory: 131 MB
flash attention time: 0.000110, speedup: 6.52; peak memory: 57 MB, save: 56%
xformers time: 0.000254, speedup: 2.82; peak memory: 70 MB, save: 46%
test 8 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
shape: (9, 351, 16, 64), dtype: torch.bfloat16, causal: True
custom pytorch time: 0.000700, peak memory: 131 MB
flash attention time: 0.000100, speedup: 6.98; peak memory: 57 MB, save: 56%
xformers time: 0.000253, speedup: 2.77; peak memory: 70 MB, save: 46%
test 8 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
shape: (9, 351, 16, 64), dtype: torch.bfloat16, causal: True
custom pytorch time: 0.000700, peak memory: 131 MB
flash attention time: 0.000100, speedup: 6.98; peak memory: 57 MB, save: 56%
xformers time: 0.000253, speedup: 2.77; peak memory: 70 MB, save: 46%
test 9 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
shape: (9, 351, 16, 64), dtype: torch.bfloat16, causal: True
custom pytorch time: 0.000721, peak memory: 131 MB
flash attention time: 0.000102, speedup: 7.10; peak memory: 57 MB, save: 56%
xformers time: 0.000251, speedup: 2.87; peak memory: 70 MB, save: 46%

▐  精度损失比较

计算FlashAttention2对于注意力机制的精度损失，与pytorch的计算精度进行对比。



绝大部分用例都可以通过测试，并且符合要求：

dQ Pytorch mean diff: 0.000698089599609375
dK Pytorch mean diff: 0.0005950927734375
dV Pytorch mean diff: 0.000537872314453125
.Actual dropout fraction: 0.17163611948490143
Output max diff: 0.001953125
Output mean diff: 2.9206275939941406e-05
Pytorch max diff: 0.0029296875
Pytorch mean diff: 8.106231689453125e-05
Attention max diff: 0.000244140625
Attention Pytorch max diff: 0.000732421875
dQ max diff: 0.0025577545166015625
dK max diff: 0.00390625
dV max diff: 0.0078125
dQ mean diff: 3.904104232788086e-05
dK mean diff: 0.0001360177993774414
dV mean diff: 0.0001475811004638672
dQ Pytorch max diff: 0.00390625
dK Pytorch max diff: 0.004150390625
dV Pytorch max diff: 0.0078125
dQ Pytorch mean diff: 8.702278137207031e-05
dK Pytorch mean diff: 0.00025916099548339844
dV Pytorch mean diff: 0.0002474784851074219
.Actual dropout fraction: 0.17163611948490143
Output max diff: 0.015625
Output mean diff: 0.0002346038818359375
Pytorch max diff: 0.015625
Pytorch mean diff: 0.00064849853515625
Attention max diff: 0.001953125
Attention Pytorch max diff: 0.00390625
dQ max diff: 0.01953125
dK max diff: 0.033203125
dV max diff: 0.0625
dQ mean diff: 0.0003108978271484375
dK mean diff: 0.00109100341796875
dV mean diff: 0.0011749267578125
dQ Pytorch max diff: 0.01806640625
dK Pytorch max diff: 0.0390625
dV Pytorch max diff: 0.0625
dQ Pytorch mean diff: 0.00069427490234375
dK Pytorch mean diff: 0.0020751953125
dV Pytorch mean diff: 0.001953125
...

少数用例不符合要求，有一定的精度损失：

FAILED tests/test_flash_attn.py::test_flash_attn_race_condition[0.0-128-128-False-dtype0] - assert False
FAILED tests/test_flash_attn.py::test_flash_attn_race_condition[0.0-128-128-True-dtype0] - assert False
FAILED tests/test_flash_attn.py::test_flash_attn_bwd_transpose[128-128-False-dtype0] - AssertionError: assert 236.75 <= (2 * 0.0009765625)
FAILED tests/test_flash_attn.py::test_flash_attn_bwd_transpose[128-128-False-dtype1] - AssertionError: assert 22144.0 <= (2 * 0.0078125)
FAILED tests/test_flash_attn.py::test_flash_attn_bwd_transpose[128-128-True-dtype0] - AssertionError: assert 2.724609375 <= (2 * 0.001953125)
FAILED tests/test_flash_attn.py::test_flash_attn_bwd_transpose[128-128-True-dtype1] - AssertionError: assert 95.5 <= (2 * 0.015625)

FlashAttention2与参考方法的输出和梯度相比，误差很小并在可控范围内。对于不同的head dimensions, input dtype, sequence length, causal / non-causal，FlashAttention2的最大数值误差最多是 Pytorch的baseline中的数值误差的两倍。



对于前向计算和后向计算。前向计算，是确定性的，每次测试结果可以复现。后向计算，非确定性（没有bit级别的确定性），每次结果可能有略微的不一样（比如输入不变，seed改变）。如果只做推理，则只涉及前向计算，所以计算是确定性的。

FlashAttention-2加速AIGC

▐  环境信息

NVIDIA A10, CUDA Version: 11.4, webui-1.5.1, eas推理平台

▐  加速效果

xformers(flash1)：

1

1

1

1

4

4

4

4

unet耗时（it/s）

(step = 20)

11.11it/s

11.27it/s

11.27it/s

11.27it/s

4.33it/s

4.33it/s

4.33it/s

4.33it/s

xformers(flash2)：

1

1

1

1

4

4

4

4

unet耗时（it/s）

(step = 20)

11.13it/s

11.75it/s

11.46it/s

11.92it/s

4.69it/s

4.69it/s

4.69it/s

4.68it/s

相对于xformers(flash1)，xformers(flash2)提速：

▐  精度比较

xformers(flash1)

xformers(flash2)

使用不同的加速方法，AIGC生成图像，均符合预期，无精度损失。

注：这里未固定seed，所以图像会有变化，但是生成效果符合预期。

▐  AIGC加速分析

使用flash_attention2，对sd加速，相比flash_attention1，加速比例并不高，或者说无法达到论文中那么高的加速比例。

SD模型自身特点

flash_attention2主要是针对qkv计算进行加速，sd的推理过程中还有很多别的计算。推理过程中，进行采样（去噪），具有大量的计算，qkv计算只是推理计算的一部分。对于大图，计算量也更大，qkv的计算比例也更大，所以可以得到更多的加速效果。



SD模型的网络结构：

SD社区代码特点

目前方法对于sd的提速，主要针对stable diffusion的神经网络本身。但是webui还有别的耗时：1.webui生图以外，还需要进行很多后处理，比如序列化反序列化、图片后处理、转换格式、传递图片等。2.webui是一个社区项目，兼容的功能非常多、而且杂，里面各种判断逻辑。这些操作拖慢了速度，端到端速度表现一般。

显卡性能特殊性

加速比例，对于不同的GPU效果不一样。3090这张卡比较特殊，计算性能好，但是显存的读取速度很差。所以在batchsize小的时候，性能卡在显存读取速度上，加速比高不起来。如果想看到更高的加速比，可以试试加大batchsize，这样diffusion占用的时间变多，网络和反序列化消耗时间的占比变小。如果用A系列卡效果会好一些。A10的性能比3090差，和他的显存读取速度匹配，加速方法对算法的优化比较符合卡的特点。

FlashAttention-2与fastunet对于AIGC联合加速

为了进一步优化aigc生图效率，使用webui更快速地进行加速，我们针对diffusion model特点，通过fastunet与FlashAttention-2结合的方式进行加速，并取得了相对于flash1已有加速效果的大于40%的提速。

▐  实验环境

NVIDIA A10, CUDA Version: 11.4, webui-1.5.1, eas推理平台

▐  加速效果

xformers(flash2)+fastunet

1

1

1

1

3

3

3

3

unet耗时（it/s）

(step = 20)

17.06it/s

18.22it/s

17.36it/s

16.43it/s

6.26it/s

6.27it/s

6.25it/s

6.25it/s

相对于xformers(flash1)，xformers(flash2)+fastunet提速：

加速效果：flash attention2 + fastunet > flash attention2 > flash attention1

▐  精度比较

使用xformers(flash2)+fastunet加速方法，AIGC生成图像，结果符合预期，无精度损失。

▐  AIGC加速分析

生图过程主要有两部分耗时：controlnet与unet

旧方法：xformers 0.0.20，使用flash attention1加速sd（unet+controlnet）

新方法：1.当前的fastunet只加速unet里的attention（换为flash attention2）。2.xformers0.0.21加速包括controlnet在内的所有attention（换为flash attention2）。3.fastunett还对其他算子也做了一些fuse操作，也起到了加速效果。



fastunet和xformers0.0.21加速的底层逻辑，都是使用flash attention2优化attention。fastunet和xformers0.0.21叠加使用，可以最大程度起到加速效果。新的加速方法主要针对attention计算进行优化，所以在unet及其attention部分会有更高比例的加速。

总结与讨论

近年来，让 Transformers 能够处理更长的序列长度一直备受关注。这一发展有助于提升语言建模和高分辨率图像理解的能力，并为音频和视频生成等新的应用场景带来了机遇。FlashAttention方法使得使用更长的序列计算注意力成为可能，并通过线性级别的增长来节省内存并加速计算。这一方法为处理长序列的Transformer模型提供了一种有效的解决方案。最新提出的FlashAttention-2，也进一步实现了attention计算速度的大幅度提升。



当我们一直在关注GPU显存大小以及计算能力的时候，FlashAttention关注了GPU显存以外的SRAM，从而优化attention计算。也为我们解决问题提供了思考，即在主流关注的技术点以外，还有一些被忽视的但依旧可以解决问题的思路。面对实际效果与理论效果的差距，FlashAttention-2则进一步找到gap原因，通过关注矩阵运算、序列并行、工作分区等问题，优化计算效果。这也提醒我们，对于性能问题的解决，从软硬件结合的角度出发，才能更充分的解决问题。



在AIGC领域的生图任务中，使用diffusion model进行相关计算，需要大量时间完成生图过程。所以，通过FlashAttention-2等多种加速方法进一步提升AIGC的生图效率，具有深刻意义。我们团队致力于家装行业AIGC进行相关研发，以提高家装AI模型的效果。我们希望与对此方向感兴趣的同学一起探讨和交流。

团队介绍

我们是淘天集团-场景智能技术团队，一支专注于通过AI和3D技术驱动商业创新的技术团队, 依托大淘宝丰富的业务形态和海量的用户、数据, 致力于为消费者提供创新的场景化导购体验, 为商家提供高效的场景化内容创作工具, 为淘宝打造围绕家的场景的第一消费入口。我们不断探索并实践新的技术, 通过持续的技术创新和突破，创新用户导购体验, 提升商家内容生产力, 让用户享受更好的消费体验, 让商家更高效、低成本地经营。

¤ 拓展阅读 ¤

3DXR技术 | 终端技术 | 音视频技术

服务端技术 | 技术质量 | 数据算法