2025-10-052025-12-13

#LLMInference

Transformer-based LLM¶

约 3436 个字 5 行代码 11 张图片预计阅读时间 17 分钟

现在的大模型基本是 Transformer-based 的自回归预训练模型，本章我们将以 llama2 以及 GPT-3 为例介绍这种模型的基本结构。

Positional Encoding: RoPE
Attention: Multi-Head Attention or Multi-Query Attention or Grouped-Query Attention or Multi-Head Latent Attention or DeepSeek Sparse Attention
Normalization: LayerNorm or RMSNorm
FFN: MLP or SwiGLU or Mixture of Experts

Overview¶

以 Transformer 架构为基础的 Large Language Models 的整体流程是基于 Transformer Block 的，每个 Transformer Block 主要由 Multi-Head Self-Attention Block，Feed Forward Network 以及 Layer Normalization 组成。每个 Transformer Block 的输入是上个 Transformer Block 的输出。

LLMs 推理是一般分为两个阶段 prefill 阶段和 decode 阶段：

Prefill Stage: LLM 计算并存储初始输入 token 的 KV cache，并生成第一个 output token
Decode Stage: LLM 通过 KV cache 逐个生成 output token，然后用新生成的 token 的 KV 对更新 KV cache

Positional Encoding¶

一般分为两大类：绝对位置编码（Absolute Position Encoding）和相对位置编码（Relative Position Encoding）。本节将介绍这两种位置编码的区别及其重要性，并重点解析一种结合了两者优点的创新方法——旋转位置编码（Rotary Position Embedding, RoPE）

Why we need Position Encoding¶

在自然语言处理领域，Transformer 模型已成为一项革命性的技术。然而，其核心的自注意力机制本身并不具备捕捉序列中单词顺序的能力，即“位置无关性”。为了解决这一问题，位置编码应运而生。

绝对位置编码（Absolute Position Encoding）¶

给序列中的每个位置一个唯一的向量，把位置信息直接加到 token embedding 上。

固定式：不用学习参数，能推广到比训练时更长的序列
在最初的 Transformer 论文《Attention Is All You Need》中，作者使用正弦和余弦函数来生成这些位置编码。其数学表达式如下：

\[ \begin{aligned} PE_{(pos, 2i)} &= \sin\left(\frac{pos}{10000^{2i/d_{model}}}\right) \\ PE_{(pos, 2i+1)} &= \cos\left(\frac{pos}{10000^{2i/d_{model}}}\right) \end{aligned} \]

可学习式：模型可以学到适合任务的位置信息。训练时没见过的长序列可能无法泛化
$$
PE_{pos} = \text{Embedding}(pos)
$$

相对位置编码（Relative Position Encoding）¶

相对位置编码是根据单词之间的相对位置关系来计算位置编码。这种编码方式更加灵活，能够捕捉到不同单词之间的相对位置信息，有助于模型更好地理解序列中单词之间的关系。但是也有缺点，计算效率低下，同时大部分相对编码都没有落地可行性。

Rotary Position Embedding (RoPE)¶

将位置编码与词向量通过旋转矩阵相乘，使得词向量不仅包含词汇的语义信息，还融入了位置信息

\[ (R_mq)^T(R_nk) = q^TR_m^TR_nk = q^TR_{m-n}k \]

给位置为 m 的向量 q 乘上矩阵$(R_m$)、位置为 n 的向量 k 乘上矩阵$(R_n$)用变换后的 Q,K 序列做 Attention，Attention 就自动包含相对位置信息

相对位置感知：使用绝对位置编码来达到相对位置编码的效果，RoPE 能够自然地捕捉词汇之间的相对位置关系。
无需额外的计算：位置编码与词向量的结合在计算上是高效的。
适应不同长度的序列：RoPE 可以灵活处理不同长度的输入序列。

目的¶

我们假设通过下述运算来给 q,k 添加绝对位置信息：

\[ \tilde{q}_m = f(q, m), \quad \tilde{k}_n = f(k, n) \tag{1} \]

也就是说，我们分别为 q,k 设计操作$f(\cdot,m),f(\cdot,n)$，使得经过该操作后，$\tilde{q}_m,\tilde{k}_n$就带有了位置 m,n 的绝对位置信息。Attention 的核心运算是内积，所以我们希望的内积的结果带有相对位置信息，因此假设存在恒等关系：

\[ ⟨f(q,m),f(k,n)⟩=g(q,k,m−n)\tag{2} \]

所以我们要求出该恒等式的一个（尽可能简单的）解。求解过程还需要一些初始条件，显然我们可以合理地设 $f(q,0)=q$ 和 $f(k,0)=k$

实现¶

位置 m 的编码进行解方程，我们得到二维情况下用复数表示的 RoPE：

\[ f(q, m) = R*f(q, m) e^{i \theta f(q,m)} = |q| e^{i(\Theta(q) + m\theta)} = qe^{im\theta} \tag{3} \]

矩阵形式：

\[ f(q, m) = \begin{pmatrix} \cos (m\theta) & -\sin (m\theta) \\ \sin (m\theta) & \cos (m\theta) \end{pmatrix} \begin{pmatrix} q_0 \\ q_1 \end{pmatrix} \tag{4} \]

由于内积满足线性叠加性，因此任意偶数维的 RoPE，我们都可以表示为二维情形的拼接，即

由于$(R_m$)具有稀疏性，不建议使用 matmul 进行实现，建议使用下面的方式实现：其中$(\\odot$)是逐位对应相乘，即 Numpy、Tensorflow 等计算框架中的 ∗ 运算

Attention Series¶

在 MHA (Multi Head Attention) 中，每个头有自己单独的 key-value 对；标准的多头注意力机制，h 个 Query、Key 和 Value 矩阵。
在 MQA (Multi Query Attention) 中只会有一组 key-value 对；多查询注意力的一种变体，也是用于自回归解码的一种注意力机制。与 MHA 不同的是，MQA 让所有的头之间共享同一份 Key 和 Value 矩阵，每个头只单独保留了一份 Query 参数，从而大大减少 Key 和 Value 矩阵的参数量。
在 GQA (Grouped Query Attention) 中，会对 attention 进行分组操作，query 被分为 N 组，每个组共享一个 Key 和 Value 矩阵 GQA 将查询头分成 G 组，每个组共享一个 Key 和 Value 矩阵。
GQA-G 是指具有 G 组的 grouped-query attention。
> GQA-1 具有单个组，因此具有单个 Key 和 Value，等效于 MQA。而 GQA-H 具有与头数相等的组，等效于 MHA。

Why GQA?¶

ARM 中，Attention 的瓶颈并不在算力，而在 KV cache 的显存和带宽。

MQA 和 GQA 的出发点都是减少 KV Cache 的显存占用和内存带宽，从而提升推理速度。但是 MQA 所有的 Query 头都共享同一组 Key 和 Value，导致模型表达能力下降。而 GQA 则通过将 Query 头分组，每组共享一组 Key 和 Value，在一定程度上保留了模型的表达能力，同时仍然减少了 KV Cache 的显存占用和内存带宽。

Multi-Head Latent Attention(MLA)¶

目的：不完全将 head 的 K/V 去掉，而是用一个低秩 latent 表示，把 head-specific 的投影推迟到计算时完成。

KV cache 与 head 数无关
推理阶段等价于 MQA
训练阶段仍保留 MHA 的多头表达能力

KV Cache¶

对长度为 $T$ 的序列，MLA KV cache 实际是：

\[ \Bigl\{ \underbrace{c_i}_{\text{shared content}},\; \underbrace{k_i^r}_{\text{shared RoPE key}} \Bigr\}_{i=1}^T \]

方案	KV cache 大小（近似）
MHA	$T \times H \times d_k \times 2$
GQA	$T \times G \times d_k \times 2$
MLA	$T \times (d_c + d_r)$

其中：

\[ d_c \ll H d_k,\qquad d_r \ll d_c \]

训练阶段¶

在训练阶段，除了多了一步低秩投影以及只在部分维度加 RoPE 外，MLA 与 Q、K 的计算与 MHA 是基本相同的

RoPE 的$R_m$计算后投影矩阵与位置相关，为了解决这个问题，对 Q 和 K 的低秩投影分为两部分，一部分是原始的投影矩阵，另一部分是与位置相关的投影矩阵

标准 MHA:

对第 s 个 head：

\[ q^{(s)}_i=x_iW^{(s)}_q,\quad k^{(s)}_i=x_iW^{(s)}_k, \quad v^{(s)}_i=x_iW^{(s)}_v \]

kv cache 需要存储所有的 $k^{(s)}_i、v^{(s)}_i$，与 head 数成正比。
MLA:
MLA 在 KV 计算前增加一层共享低秩投影

\[ c_i = x_i W_c \]

接着做 head-specific 投影：

\[ q^{(s)}_i=x_iW^{(s)}_q,\quad k^{(s)}_i=c_iW^{(s)}_k, \quad v^{(s)}_i=c_iW^{(s)}_v \]

推理阶段($MLA \Rightarrow MQA$)¶

注意力 logits：

\[ q_t^{(s)} k_i^{(s)\top} = (x_t W_q^{(s)}) (c_i W_k^{(s)})^\top \]

重写为：

\[ = x_t \underbrace{(W_q^{(s)} W_k^{(s)\top})}_{\text{吸收到 Q 中}} c_i^\top \]

定义新的 Query 投影矩阵：

\[ \tilde{W}_q^{(s)} = W_q^{(s)} W_k^{(s)\top} \]

于是：

\[ q_t^{(s)} k_i^{(s)\top} = (x_t \tilde{W}_q^{(s)}) c_i^\top \]

原始输出：

\[ o_t^{(s)} = \sum_i \alpha_{ti}^{(s)} v_i^{(s)} = \sum_i \alpha_{ti}^{(s)} (c_i W_v^{(s)}) \]

\[ o_t^{(s)} = \Bigl(\sum_i \alpha_{ti}^{(s)} c_i\Bigr) W_v^{(s)} \]

定义：

\[ u_t^{(s)} = \sum_i \alpha_{ti}^{(s)} c_i \]

于是：

\[ o_t^{(s)} = u_t^{(s)} W_v^{(s)} \]

在 Transformer 里，多头输出会 concat 然后乘一个输出矩阵 $W_o$：

\[ y_t = [o_t^{(1)}, \dots, o_t^{(h)}]\, W_o \]

把上面的 $o_t^{(s)} = u_t^{(s)} W_v^{(s)}$ 代进去，相当于：

\[ y_t = \Bigl[u_t^{(1)},\dots,u_t^{(h)}\Bigr]\; \tilde{W}_o,\qquad \tilde{W}_o \triangleq \text{diag}\bigl(W_v^{(1)},\dots,W_v^{(h)}\bigr) W_o \]

KV cache 只需要缓存：

\[ \{ c_i \}_{i=1}^T \]

与 head 数 $h$ 完全无关，所有 head 共享同一份 KV latent
与 head 相关的信息全部吸收到 Query 和输出矩阵中。

RoPE 解耦¶

和位置无关的“内容部分”已经被压成共享 latent $c_i$，per-head 的差异被全部搬到Q / 输出侧的矩阵里；
和位置有关的 RoPE 部分，K 也是共享的，但每个 head 的 Q 不一样，所以每个 head 看到的 logits 还是不同的。

为 RoPE 是一个跟位置相关分块对角矩阵$R_m$，满足$R_mR^⊤_n=R_{m−n}$，MLA 加入 RoPE 之后会让固定的投影矩阵与位置相关：

\[ q^{(s)}_i=x_iW^{(s)}_qR_i,k^{(s)}_i=x_iW^{(s)}_kR_i \]

\[ q^{(s)}_tk^{(s)T}_i=(x_tW^{(s)}_q)(c_iW^{(s)}_k)^T = x_t(W^{(s)}_qR_{t-i} W^{(s)T}_k)c_i^T \]

这里的 $W^{(s)}_qR_{t-i} W^{(s)T}_k$ 就无法合并为一个固定的投影矩阵了（跟位置差 $t−i$ 相关），从而 MLA 的想法无法结合 RoPE 实现。

每个 Attention Head 的 Q、K 新增 $d_r$ 个维度用来添加 RoPE，其中 K 新增的维度每个 Head 共享：

\[ o_t = \big[o_t^{(1)}, o_t^{(2)}, \cdots, o_t^{(h)} ,\big] \]

\[ o_t^{(s)} = Attention!\left(q_t^{(s)}, k_{\le t}^{(s)}, v_{\le t}^{(s)}\right) = \frac{\sum_{i \le t} \exp!\left(q_t^{(s)} k_i^{(s)\top}\right) v_i^{(s)}} {\sum_{i \le t} \exp!\left(q_t^{(s)} k_i^{(s)\top}\right)} \]

\[ q_i^{(s)} = [x_i W_{qc}^{(s)},x_i W_{qr}^{(s)}R_i] ,\quad k_i^{(s)} = [c_i W_{kc}^{(s)},x_i W_{kr}R_i] ,\quad v_i^{(s)} = c_i W_v^{(s)}, \quad c_i = x_i W_c \]

Why RoPE-K shared?¶

K 矩阵仅需共享的 $W_{kr}$；head 间的差异完全由各自的 $W_{qr}^{(s)}$ 在 Q 侧体现。

Normalization¶

LayerNorm: 对某个样本的所有特征维度进行归一化

$$
\text{LayerNorm}(x) = \frac{x - \mu}{\sigma} \cdot \gamma + \beta
$$

RMSNorm: 简化版的 LayerNorm，它不减去均值，只基于平方均值 (Root Mean Square) 来归一化
$$
\text{RMSNorm}(x) = \frac{x}{\sqrt{\frac{1}{d}\sum_{i=1}^{d} x_i^2 + \epsilon}} \cdot w
$$

Why RMSNorm?¶

Layer-Norm 和 RMS-Norm 在测试集效果上没有明显差异，基本持平
RMS-Norm 的计算效率要更高

Feed Forward Network (Dense FFN)¶

MLP: 两层全连接网络，中间使用非线性激活函数（如 ReLU 或 SiLU）

$$
\text{FFN}(x) = \text{ReLU}(0, xW_1)W_2
$$

SwiGLU: 使用 SiLU 激活函数的变体并增加门控机制
$$
\begin{aligned}
\text{SwiGLU}(x) &= (\text{Swish}(xW_1);\odot;xW_2) \
\text{Swish}(x) &= x \cdot \sigma(x)
\end{aligned}
$$

Mixture of Experts (MoE)¶

Mixture of Experts (MoE): 多个专家网络的集合，每个输入样本通过一个路由器选择部分专家进行处理，从而提高模型的表达能力
Switch Transformer：Top-1 gating，每个 token 只去 1 个专家。
GShard / GLaM：Top-2 gating，每个 token 走 2 个专家，结果加权。

Why we need MoE?¶

Dense FFN 的计算量随着模型规模的增大而迅速增加，MoE 通过引入多个专家网络，并让每个输入样本只激活其中的一部分专家，从而在保持模型表达能力的同时，大幅降低了计算资源的消耗。

MoE 的参数量巨大，但实际 activation 只用到一小部分专家

\[ \begin{aligned} FFN(x) &= W_2 \sigma (W_1 x) \\ MoE(x) &= \sum_{e \in TopK(x)} g_e(x) \cdot Expert_e(x) \end{aligned} \]

MoE 优势¶

参数效率极高：Dense 70B ≈ MoE 600B（激活 40B）
推理成本可控：
每 token 只算 K 个 expert
理论 FLOPs 接近中型 Dense 模型
每个专家可以学到不同的知识领域，模型的整体能力提升

MoE 挑战¶

Routing 决策复杂，可能引入不稳定性
如果使用辅助损失（auxiliary loss）来鼓励负载均衡，辅助损失过大会损害模型性能。
Token-Dropping，每个 expert 在一次 forward 中能处理的 token 数是有限的：
$$capacity=capacity_factor \times \frac{tokens}{experts}$$
太多 token 同时路由到同一个 expert 时，就会发生丢 token。
!!! note "> 路由不均 + 容量有限共同造成了 token-dropping 现象"
训练时负载不均衡，部分专家过载，其他专家不能学到知识

通信开销大

Bash

tokens
  ↓ routing
scatter to experts (all-to-all)
  ↓ expert compute
gather back (all-to-all)

大规模集群中，需要将通信开销与计算开销 overlap

LLAMA2 模型结构¶

相较于 Transformer，llama2 使用了 pre-norm 结构
使用 RMSNorm 替代 LayerNorm，不计算样本均值
使用 Rotary Positional Encoding (RoPE)，用绝对编码的方式来实现相对位置编码
使用 GQA (Grouped-Query Attention)，平衡效率和性能
使用 SwiGLU 替代简单的 MLP，激活函数使用 SiLU

$$
\begin{aligned}
\text{SwiGLU}(x) &= \text{Swish}(xW_1+b_1)\odot(xW_2+b_2) \
\text{Swish}(x) &= x \cdot \sigma(x)
\end{aligned}
$$