Flash Attention - Atenção Rápida e Eficiente em Memória

Início rápido

Flash Attention oferece ganho de 2-4x em velocidade e redução de 10-20x em memória para atenção em transformers através de tiling consciente de I/O e recomputação.

PyTorch nativo (mais fácil, PyTorch 2.2+):

import torch
import torch.nn.functional as F

q = torch.randn(2, 8, 512, 64, device='cuda', dtype=torch.float16)  # [batch, heads, seq, dim]
k = torch.randn(2, 8, 512, 64, device='cuda', dtype=torch.float16)
v = torch.randn(2, 8, 512, 64, device='cuda', dtype=torch.float16)

# Usa automaticamente Flash Attention se disponível
out = F.scaled_dot_product_attention(q, k, v)

Biblioteca flash-attn (mais recursos):

pip install flash-attn --no-build-isolation

from flash_attn import flash_attn_func

# q, k, v: [batch, seqlen, nheads, headdim]
out = flash_attn_func(q, k, v, dropout_p=0.0, causal=True)

Fluxos de trabalho comuns

Fluxo 1: Habilitar em modelo PyTorch existente

Copie esta lista de verificação:

Integração Flash Attention:
- [ ] Passo 1: Verificar versão do PyTorch (≥2.2)
- [ ] Passo 2: Habilitar backend Flash Attention
- [ ] Passo 3: Verificar ganho de velocidade com profiling
- [ ] Passo 4: Testar se acurácia corresponde ao baseline

Passo 1: Verificar versão do PyTorch

python -c "import torch; print(torch.__version__)"
# Deve ser ≥2.2.0

Se <2.2, atualize:

pip install --upgrade torch

Passo 2: Habilitar backend Flash Attention

Substitua atenção padrão:

# Antes (atenção padrão)
attn_weights = torch.softmax(q @ k.transpose(-2, -1) / math.sqrt(d_k), dim=-1)
out = attn_weights @ v

# Depois (Flash Attention)
import torch.nn.functional as F
out = F.scaled_dot_product_attention(q, k, v, attn_mask=mask)

Force backend Flash Attention:

with torch.backends.cuda.sdp_kernel(
    enable_flash=True,
    enable_math=False,
    enable_mem_efficient=False
):
    out = F.scaled_dot_product_attention(q, k, v)

Passo 3: Verificar ganho de velocidade com profiling

import torch.utils.benchmark as benchmark

def test_attention(use_flash):
    q, k, v = [torch.randn(2, 8, 2048, 64, device='cuda', dtype=torch.float16) for _ in range(3)]

    if use_flash:
        with torch.backends.cuda.sdp_kernel(enable_flash=True):
            return F.scaled_dot_product_attention(q, k, v)
    else:
        attn = (q @ k.transpose(-2, -1) / 8.0).softmax(dim=-1)
        return attn @ v

# Benchmark
t_flash = benchmark.Timer(stmt='test_attention(True)', globals=globals())
t_standard = benchmark.Timer(stmt='test_attention(False)', globals=globals())

print(f"Flash: {t_flash.timeit(100).mean:.3f}s")
print(f"Standard: {t_standard.timeit(100).mean:.3f}s")

Esperado: ganho de 2-4x para sequências >512 tokens.

Passo 4: Testar se acurácia corresponde ao baseline

# Comparar saídas
q, k, v = [torch.randn(1, 8, 512, 64, device='cuda', dtype=torch.float16) for _ in range(3)]

# Flash Attention
out_flash = F.scaled_dot_product_attention(q, k, v)

# Atenção padrão
attn_weights = torch.softmax(q @ k.transpose(-2, -1) / 8.0, dim=-1)
out_standard = attn_weights @ v

# Verificar diferença
diff = (out_flash - out_standard).abs().max()
print(f"Diferença máxima: {diff:.6f}")
# Deve ser <1e-3 para float16

Fluxo 2: Usar biblioteca flash-attn para recursos avançados

Para atenção multi-query, sliding window, ou FP8 em H100.

Copie esta lista de verificação:

Configuração Biblioteca flash-attn:
- [ ] Passo 1: Instalar biblioteca flash-attn
- [ ] Passo 2: Modificar código de atenção
- [ ] Passo 3: Habilitar recursos avançados
- [ ] Passo 4: Fazer benchmark de desempenho

Passo 1: Instalar biblioteca flash-attn

# GPUs NVIDIA (CUDA 12.0+)
pip install flash-attn --no-build-isolation

# Verificar instalação
python -c "from flash_attn import flash_attn_func; print('Success')"

Passo 2: Modificar código de atenção

from flash_attn import flash_attn_func

# Entrada: [batch_size, seq_len, num_heads, head_dim]
# Transponha de [batch, heads, seq, dim] se necessário
q = q.transpose(1, 2)  # [batch, seq, heads, dim]
k = k.transpose(1, 2)
v = v.transpose(1, 2)

out = flash_attn_func(
    q, k, v,
    dropout_p=0.1,
    causal=True,  # Para modelos autorregressivos
    window_size=(-1, -1),  # Sem sliding window
    softmax_scale=None  # Auto-escala
)

out = out.transpose(1, 2)  # Voltar para [batch, heads, seq, dim]

Passo 3: Habilitar recursos avançados

Atenção multi-query (K/V compartilhados entre cabeças):

from flash_attn import flash_attn_func

# q: [batch, seq, num_q_heads, dim]
# k, v: [batch, seq, num_kv_heads, dim]  # Menos cabeças KV
out = flash_attn_func(q, k, v)  # Lida automaticamente com MQA

Sliding window attention (atenção local):

# Só atender janela de 256 tokens antes/depois
out = flash_attn_func(
    q, k, v,
    window_size=(256, 256),  # (esquerda, direita) janela
    causal=True
)

Passo 4: Fazer benchmark de desempenho

import torch
from flash_attn import flash_attn_func
import time

q, k, v = [torch.randn(4, 4096, 32, 64, device='cuda', dtype=torch.float16) for _ in range(3)]

# Aquecimento
for _ in range(10):
    _ = flash_attn_func(q, k, v)

# Benchmark
torch.cuda.synchronize()
start = time.time()
for _ in range(100):
    out = flash_attn_func(q, k, v)
    torch.cuda.synchronize()
end = time.time()

print(f"Tempo por iteração: {(end-start)/100*1000:.2f}ms")
print(f"Memória alocada: {torch.cuda.max_memory_allocated()/1e9:.2f}GB")

Fluxo 3: Otimização FP8 em H100 (FlashAttention-3)

Para desempenho máximo em GPUs H100.

Configuração FP8:
- [ ] Passo 1: Verificar GPU H100 disponível
- [ ] Passo 2: Instalar flash-attn com suporte FP8
- [ ] Passo 3: Converter entradas para FP8
- [ ] Passo 4: Executar com atenção FP8

Passo 1: Verificar GPU H100

nvidia-smi --query-gpu=name --format=csv
# Deve mostrar "H100" ou "H800"

Passo 2: Instalar flash-attn com suporte FP8

pip install flash-attn --no-build-isolation
# Suporte FP8 incluído para H100

Passo 3: Converter entradas para FP8

import torch

q = torch.randn(2, 4096, 32, 64, device='cuda', dtype=torch.float16)
k = torch.randn(2, 4096, 32, 64, device='cuda', dtype=torch.float16)
v = torch.randn(2, 4096, 32, 64, device='cuda', dtype=torch.float16)

# Converter para float8_e4m3 (FP8)
q_fp8 = q.to(torch.float8_e4m3fn)
k_fp8 = k.to(torch.float8_e4m3fn)
v_fp8 = v.to(torch.float8_e4m3fn)

Passo 4: Executar com atenção FP8

from flash_attn import flash_attn_func

# FlashAttention-3 usa automaticamente kernels FP8 em H100
out = flash_attn_func(q_fp8, k_fp8, v_fp8)
# Resultado: ~1.2 PFLOPS, 1.5-2x mais rápido que FP16

Quando usar versus alternativas

Use Flash Attention quando:

• Treinar transformers com sequências >512 tokens
• Executar inferência com contexto longo (>2K tokens)
• GPU com memória limitada (OOM com atenção padrão)
• Precisa de ganho de 2-4x sem perda de acurácia
• Usando PyTorch 2.2+ ou consegue instalar flash-attn

Use alternativas em vez disso:

• Atenção padrão: Sequências <256 tokens (overhead não vale a pena)
• xFormers: Precisa de mais variantes de atenção (não só velocidade)
• Atenção eficiente em memória: Inferência em CPU (Flash Attention precisa GPU)

Problemas comuns

Problema: ImportError: cannot import flash_attn

Instale com flag no-build-isolation:

pip install flash-attn --no-build-isolation

Ou instale toolkit CUDA primeiro:

conda install cuda -c nvidia
pip install flash-attn --no-build-isolation

Problema: Mais lento que esperado (sem ganho de velocidade)

Os benefícios de Flash Attention aumentam com o comprimento da sequência:

• <512 tokens: Ganho mínimo (10-20%)
• 512-2K tokens: Ganho de 2-3x

• 2K tokens: Ganho de 3-4x

Verifique se o comprimento da sequência é suficiente.

Problema: RuntimeError: CUDA error

Verifique se GPU suporta Flash Attention:

import torch
print(torch.cuda.get_device_capability())
# Deve ser ≥(7, 5) para Turing+

Flash Attention requer:

• Ampere (A100, A10): ✅ Suporte completo
• Turing (T4): ✅ Suportado
• Volta (V100): ❌ Não suportado

Problema: Degradação de acurácia

Verifique se dtype é float16 ou bfloat16 (não float32):

q = q.to(torch.float16)  # Ou torch.bfloat16

Flash Attention usa float16/bfloat16 para velocidade. Float32 não é suportado.

Tópicos avançados

Integração com HuggingFace Transformers: Veja references/transformers-integration.md para habilitar Flash Attention em modelos BERT, GPT, Llama.

Benchmarks de desempenho: Veja references/benchmarks.md para comparações detalhadas de velocidade e memória entre GPUs e comprimentos de sequência.

Detalhes do algoritmo: Veja references/algorithm.md para análise de estratégia de tiling, recomputação e complexidade de I/O.

Recursos avançados: Veja references/advanced-features.md para rotary embeddings, ALiBi, paged KV cache e máscaras de atenção customizadas.

Requisitos de hardware

• GPU: NVIDIA Ampere+ (A100, A10, A30) ou AMD MI200+
• VRAM: Igual à atenção padrão (Flash Attention não aumenta memória)
• CUDA: 12.0+ (11.8 mínimo)
• PyTorch: 2.2+ para suporte nativo

Não suportado: V100 (Volta), inferência em CPU

Recursos

• Paper: "FlashAttention: Fast and Memory-Efficient Exact Attention with IO-Awareness" (NeurIPS 2022)
• Paper: "FlashAttention-2: Faster Attention with Better Parallelism and Work Partitioning" (ICLR 2024)
• Blog: https://tridao.me/blog/2024/flash3/
• GitHub: https://github.com/Dao-AILab/flash-attention
• PyTorch docs: https://pytorch.org/docs/stable/generated/torch.nn.functional.scaled_dot_product_attention.html