大模型(LLM)推理加速之KV Cache技术

前言

在学习Key-Value Cache(kv cache)，读者需要熟悉Transformer架构，最好能够懂得分析transformer模型的参数量、计算量、中间激活、KV cache。本文不会再对Transformer架构做赘述。

KV cache原理

在如GPT等大模型的推理当中，一次推理只生成一个token，输出的token会与输入tokens拼接在一起，作为下一次推理的输入，每个token都需要依赖之前生成的token，这个重要的特性就是自回归性（autoregressive）。
然而随着推理的进行，输入的tokens会越变越长，导致推理FLOPs（计算量，如果读过前言中的那篇文章，可以知道推理的$FLOPs=2?模型参数量?token数）$随之增大。这会严重影响推理的速度。
由于在推理过程中，第$i$次注意力的计算都会重复计算前$i?1$个token的$K$和$V$值，故KV Cache的出发点就在这里，缓存当前轮可重复利用的$K$和$V$值，下一轮计算时直接读取缓存结果。

具体细节

• 原来的推理过程：假设输入是$[b,s,h]$（batchsize,seqencelen,hidden）,$K,Q,V$矩阵是$[h,h]$，那么每次的计算结果就$[b,s,h]$
• 使用KV cache: 每次输出不再$Concat$给之前的输出（因为每次计算依据缓存过之前token的$K,V$值），所以输入是$[b,1,h]$,那么每次计算结果就是$[b,1,h]$，在此刻再与之前已经计算过的shape为$[b,s?1,h]$的$K,V$值分别进行$Concat$即可得到与原来推理过程相同的结果。但是每次没有重复计算前$i?1$个token的$K$和$V$值，减少了推理计算量，提升了推理速度。

更多

如果还有细节理解不到位的地方可以参考大模型推理性能优化之KV Cache解读