1.传统Attention 存在哪些问题？
- 传统Attention存在上下文长度约束问题；
- 传统Attention速度慢，内存占用大；
2. Attention优化方向？
- 提升上下文长度
- 加速、减少内存占用
3.Attention 变体有哪些？
- 稀疏 attention。将稀疏偏差引入 attention 机制可以降低了复杂性；
- 线性化 attention。解开 attention 矩阵与内核特征图，然后以相反的顺序计算 attention 以实现线性复杂度；
- 原型和内存压缩。这类方法减少了查询或键值记忆对的数量，以减少注意力矩阵的大小；
- 低阶 self-Attention。这一系列工作捕获了 self-Attention 的低阶属性；
- Attention 与先验。该研究探索了用先验 attention 分布来补充或替代标准 attention；
- 改进多头机制。该系列研究探索了不同的替代多头机制。
4. Multi-Query Attention篇
4.1 Multi-head Attention 存在什么问题？
- 训练过程：不会显著影响训练过程，训练速度不变，会引起非常细微的模型效果损失；
- 推理过程：反复加载 巨大 的 KV cache , 导致 内存开销大，性能是内存受限；
4.2 介绍一下 Multi-Query Attention？
4.3 对比一下 Multi-head Attention 和 Multi-Query Attention？
- Multi-head Attention：每个注意力头都有各自的query、key和value。
- Multi-query Attention: 在所有的注意力头上共享key和value。
Falcon、PaLM、ChatGLM2-6B都使用了Multi-query Attention，但有细微差别。
- 为了保持参数量一致，
- Falcon: 把隐藏维度从4096增大到了4544。多余的参数量分给了Attention块和FFN块
- ChatGLM2: 把FFN中间维度从11008增大到了13696。多余的参数分给了FFN块
4.4 Multi-Query Attention 这样做的好处是什么？
- 减少 KV cache 的大小，减少显存占用，提升推理速度。
4.5 有哪些模型 是 使用 Multi-Query Attention？
- 代表模型：PaLM、ChatGLM2、Falcon等
5 Grouped-query Attention
5.1 什么是 Grouped-query Attention？
Grouped有哪些大模型使用 Grouped-query Attention？ query attention: 介于multi head和multi query之间，多个key和value。
5.2 有哪些大模型使用 Grouped-query Attention？
ChatGLM2，LLaMA2-34B/70B使用了Grouped query attention。
6 FlashAttention
- 核心：用分块softmax等价替代传统softmax
- 优点：节约HBM，高效利用SRAM，省显存，提速度
- 代表模型：Meta推出的开源大模型LLaMA，阿联酋推出的开源大模型Falcon都使用了Flash Attention来加速 计算和节省显存
- 关键词：HBM、SRAM、分块Softmax、重计算、Kernel融合。
7 并行 transformer block
用并行公式替换了串行，提升了15%的训练速度。 在8B参数量规模，会有轻微的模型效果损失;在62B参数量规模，就不会损失模型效果 Falcon、PaLM都使用了该技术来加速训练
