ফ্ল্যাশ মনোযোগ
ফ্ল্যাশ অ্যাটেনশন হল ট্রান্সফরমারের অভ্যন্তরে মনোযোগের ধাপ গণনা করার একটি চতুর উপায় যা কখনও স্লো মেমরিতে দৈত্য মনোযোগ ম্যাট্রিক্স না লিখে।
ওভারভিউ
It makes long-context models far faster and more memory-efficient without changing their math.
গভীর ডুব
স্ট্যান্ডার্ড মনোযোগ প্রতিটি টোকেনকে অন্য প্রতিটি টোকেনের সাথে তুলনা করে, একটি N-বাই-এন স্কোর ম্যাট্রিক্স তৈরি করে যা ক্রম দৈর্ঘ্যের সাথে চতুর্মুখীভাবে বৃদ্ধি পায়। সহজভাবে, সেই ম্যাট্রিক্সটি GPU হাই-ব্যান্ডউইথ মেমরি (HBM) থেকে লেখা এবং পড়া হয়েছে, এবং সেই শাটলিং - গুণন নয় - আসল বাধা। 2022 সালে ট্রাই ডাও এবং সহকর্মীদের দ্বারা প্রবর্তিত ফ্ল্যাশ অ্যাটেনশন, গণনাকে পুনর্গঠন করে যাতে ম্যাট্রিক্স কখনই সম্পূর্ণরূপে সংরক্ষিত না হয়। এটি ছোট টাইলগুলিতে প্রশ্ন, কী এবং মানগুলি প্রক্রিয়া করে যা দ্রুত অন-চিপ এসআরএএম-এ ফিট করে, আংশিক ফলাফল গণনা করে এবং একটি অনলাইন রানিং-সফটম্যাক্স ট্রিক ব্যবহার করে সেগুলিকে একসাথে সেলাই করে৷ আউটপুটটি গাণিতিকভাবে সাধারণ মনোযোগের সাথে অভিন্ন তবে রৈখিক মেমরি ব্যবহার করে এবং কয়েকগুণ দ্রুত চলে, বিশেষ করে দীর্ঘ ক্রমগুলিতে।
প্রযুক্তিগত অন্তর্দৃষ্টি
মূল কৌশলটি হল টাইলিং প্লাস একটি অনলাইন সফটম্যাক্স। Softmax এর হর গণনা করার জন্য সাধারণত স্কোরগুলির সম্পূর্ণ সারি প্রয়োজন, কিন্তু ফ্ল্যাশ মনোযোগ একটি চলমান সর্বাধিক এবং চলমান সমষ্টি ধরে রাখে কারণ এটি প্রতিটি টাইলকে স্ট্রিম করে, আগের আংশিক আউটপুটগুলিকে রিস্কেল করে যাতে চূড়ান্ত ফলাফলটি সঠিক হয়। যেহেতু মধ্যবর্তী স্কোরগুলি এসআরএএম-এ থাকে (এইচবিএমের চেয়ে দ্রুত মাত্রার ক্রম), অ্যালগরিদমটি আইও-সচেতন: এটি কাঁচা গাণিতিক ক্রিয়াকলাপগুলির পরিবর্তে মেমরি পড়া এবং লেখাকে কম করে।
কৌশলগত প্রভাব
খরচ ও বাজেট
আর্কিটেকচারের সিদ্ধান্তগুলি বছরের পর বছর ধরে কর্মক্ষমতা এবং অপারেটিং খরচ চালায়।
সুস্পষ্ট সিদ্ধান্ত
কারিগরি শিক্ষা দলগুলোকে সঠিক স্ট্যাক বেছে নিতে সাহায্য করে, শুধু নতুনটি নয়।
মান নিয়ন্ত্রণ
ভালো ইঞ্জিনিয়ারিং পছন্দ উৎপাদনে নির্ভরযোগ্যতার ঘটনা কমিয়ে দেয়।
ফ্ল্যাশ মনোযোগ ভবিষ্যত
ফ্ল্যাশ অ্যাটেনশন একটি ডিফল্ট বিল্ডিং ব্লকে পরিণত হয়েছে, ফ্ল্যাশ অ্যাটেনশন-2 এবং ফ্ল্যাশ অ্যাটেনশন-3 কাজের পার্টিশনিং উন্নত করে এবং কম-নির্ভুল FP8 পাথগুলিকে কাজে লাগিয়ে H100-এর মতো নতুন GPU গুলি থেকে আরও থ্রুপুট ছেঁকে। হার্ডওয়্যার সহ অবিরত সহ-ডিজাইন, প্রশিক্ষণ এবং অনুমান কাঠামোতে আরও কঠোর সংহতকরণ এবং স্পারস, স্লাইডিং-উইন্ডো এবং খুব-দীর্ঘ-প্রসঙ্গ মনোযোগের জন্য টিউন করা বৈকল্পিক আশা করুন। যেহেতু কনটেক্সট উইন্ডোগুলি লক্ষ লক্ষ টোকেনের দিকে প্রসারিত হয়, এর মতো IO-সচেতন কার্নেলগুলি মেমরি এবং গতিকে ব্যবহারিক রাখার জন্য অপরিহার্য।
বাস্তব-বিশ্ব বাস্তবায়ন
কম মেমরি খরচে দীর্ঘ প্রসঙ্গ উইন্ডো সহ লামা এবং GPT-শ্রেণীর সিস্টেমের মতো বড় ভাষা মডেলের প্রশিক্ষণ দেওয়া।
প্রিফিল স্টেজে দ্রুত গতি বাড়িয়ে চ্যাট অ্যাসিস্ট্যান্টদের পরিবেশন করা হচ্ছে যেখানে প্রথমে একটি দীর্ঘ প্রম্পট পড়া হয়।
নথি-বিশ্লেষণের সরঞ্জামগুলিকে সক্ষম করা যা একটি একক GPU-তে দীর্ঘ-ক্রমের মনোযোগকে সম্ভাব্য করে পুরো বই বা কোডবেসগুলিকে গ্রাস করে।
পাওয়ারিং ভিশন এবং অডিও ট্রান্সফরমার যেখানে উচ্চ-রেজোলিউশন ইনপুটগুলি খুব দীর্ঘ টোকেন সিকোয়েন্স তৈরি করে।
ঝুঁকি এবং প্রহরী
একটি বেঞ্চমার্ক অপ্টিমাইজ করা বৃহত্তর সিস্টেম দুর্বলতা আড়াল করতে পারে।
অবকাঠামো এবং রক্ষণাবেক্ষণের খরচ প্রায়ই অবমূল্যায়ন করা হয়।
সিস্টেমগুলি আরও জটিল হওয়ার সাথে সাথে সুরক্ষা এবং পর্যবেক্ষণযোগ্যতার ফাঁক বাড়তে পারে।
বাস্তবায়ন রোডম্যাপ
বাস্তবায়নের আগে বিলম্ব, গুণমান এবং খরচের লক্ষ্য নির্ধারণ করুন।
বাস্তবসম্মত লোড এবং ডেটা অবস্থার অধীনে বেঞ্চমার্ক।
ত্রুটি, প্রবাহ, এবং ব্যবহারকারীর প্রভাবের জন্য যন্ত্র পর্যবেক্ষণ।
স্কেল করার আগে রোলব্যাক এবং ঘটনার প্রতিক্রিয়া পাথ প্রস্তুত করুন।
অন্বেষণ চালিয়ে যান
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Flash Attention quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
পরবর্তী গাইড
মনোযোগ রোলআউট এবং মাথা ছাঁটাই
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
What is Flash Attention?
ফ্ল্যাশ অ্যাটেনশন হল ট্রান্সফরমারের অভ্যন্তরে মনোযোগের ধাপ গণনা করার একটি চতুর উপায় যা কখনও স্লো মেমরিতে দৈত্য মনোযোগ ম্যাট্রিক্স না লিখে। এটি দীর্ঘ-প্রসঙ্গ মডেলগুলিকে তাদের গণিত পরিবর্তন না করে অনেক দ্রুত এবং আরও মেমরি-দক্ষ করে তোলে।
ফ্ল্যাশ মনোযোগ লক্ষ্য করে প্রধান বাধা কি?
ফ্ল্যাশ মনোযোগ আইও-সচেতন: এটি দ্রুত অন-চিপ এসআরএএম এবং ধীর উচ্চ-ব্যান্ডউইথ মেমরির মধ্যে শাটল করা ডেটা হ্রাস করে, যা গাণিতিকের চেয়ে আসল বাধা।
ফ্ল্যাশ অ্যাটেনশন কীভাবে সম্পূর্ণ এন-বাই-এন মনোযোগ ম্যাট্রিক্স সংরক্ষণ করা এড়ায়?
এটি কম্পিউটেশনকে টাইলস করে যাতে প্রতিটি ব্লক দ্রুত SRAM-এ ফিট করে, HBM-এ সম্পূর্ণ ম্যাট্রিক্সকে বাস্তবায়িত না করেই আংশিক আউটপুট কম্পিউটিং এবং জমা করে।
কোন কৌশলটি ফ্ল্যাশ অ্যাটেনশনকে একবারে পুরো সারিটি না দেখে সফটম্যাক্সকে সঠিকভাবে গণনা করতে দেয়?
অনলাইন সফটম্যাক্স টাইলস স্ট্রিম করার সময় একটি চলমান সর্বাধিক এবং চলমান ডিনোমিনেটর রাখে, আগের আংশিক আউটপুটগুলিকে পুনরায় স্কেলিং করে যাতে চূড়ান্ত স্বাভাবিককরণ সঠিক হয়।
কেন ফ্ল্যাশ মনোযোগ দীর্ঘ ক্রম সঙ্গে সবচেয়ে সাহায্য করে?
নিষ্পাপ মনোযোগের ম্যাট্রিক্স মেমরিতে এন-স্কোয়ার্ড হিসাবে স্কেল করে, তাই এটির সম্পূর্ণ সঞ্চয়স্থান এড়িয়ে গেলে ক্রমগুলি দীর্ঘ হলেই সবচেয়ে বড় সঞ্চয় পাওয়া যায়।
ফ্ল্যাশ অ্যাটেনশনের 'আইও-সচেতন' ডিজাইনটি কী কমানোর অগ্রাধিকার দেয়?
আইও-সচেতন মানে অ্যালগরিদমটি মেমরি শ্রেণিবিন্যাসে ডেটা স্থানান্তরিত করার খরচকে ঘিরে ডিজাইন করা হয়েছে, গাণিতিক ক্রিয়াকলাপের পরিবর্তে HBM ট্র্যাফিক কমিয়েছে৷