Flash Attention
目次
長い系列を扱う Transformer の学習と推論を速くします。
skill の情報
| 提供元 | 追加インストール — hermes skills install official/mlops/flash-attention で導入します |
| パス | optional-skills/mlops/flash-attention |
| バージョン | 1.0.1 |
| 作者 | Orchestra Research |
| ライセンス | MIT |
| 依存関係 | flash-attn, torch, transformers |
| 対応プラットフォーム | linux, macos |
| タグ | Optimization, Flash Attention, Attention Optimization, Memory Efficiency, Speed Optimization, Long Context, PyTorch, SDPA, H100, FP8, Transformers |
参考: SKILL.md 全文
Flash Attention - 速くてメモリに優しい Attention
はじめの一歩
Flash Attention は、IO を意識したタイル分割と再計算によって、Transformer の attention を 2〜4 倍速くし、メモリ使用量を 10〜20 分の 1 に抑えます。
PyTorch 標準の機能を使う（いちばん簡単。PyTorch 2.2 以降）:
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)
# Automatically uses Flash Attention if available
out = F.scaled_dot_product_attention(q, k, v)flash-attn ライブラリを使う（機能が多い）:
pip install flash-attn --no-build-isolationfrom 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)よくある進め方
進め方 1: 今ある PyTorch のモデルで有効にする
次のチェックリストをコピーして使ってください。
Flash Attention Integration:
- [ ] Step 1: Check PyTorch version (≥2.2)
- [ ] Step 2: Enable Flash Attention backend
- [ ] Step 3: Verify speedup with profiling
- [ ] Step 4: Test accuracy matches baseline手順 1: PyTorch のバージョンを確認する
次のコマンドで、入っている PyTorch のバージョンが表示されます。
python -c "import torch; print(torch.__version__)"
# Should be ≥2.2.0<2.2 だった場合は、次のコマンドで新しくします。
pip install --upgrade torch手順 2: Flash Attention のバックエンドを有効にする
これまでの attention を次のように置き換えます。
# Before (standard attention)
attn_weights = torch.softmax(q @ k.transpose(-2, -1) / math.sqrt(d_k), dim=-1)
out = attn_weights @ v
# After (Flash Attention)
out = F.scaled_dot_product_attention(q, k, v, attn_mask=mask)Flash Attention のバックエンドを強制的に使わせるときは、次のように書きます（torch.backends.cuda.sdp_kernel は非推奨です。torch.nn.attention.sdpa_kernel と SDPBackend を使ってください）。
from torch.nn.attention import SDPBackend, sdpa_kernel
with sdpa_kernel(SDPBackend.FLASH_ATTENTION):
out = F.scaled_dot_product_attention(q, k, v)手順 3: プロファイリングで速くなったことを確かめる
次のコードは、Flash Attention ありとなしの実行時間を測って並べて表示します。
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:
from torch.nn.attention import SDPBackend, sdpa_kernel
with sdpa_kernel(SDPBackend.FLASH_ATTENTION):
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")目安として、512 トークンを超える系列では 2〜4 倍速くなります。
手順 4: 精度がこれまでと変わらないか確かめる
次のコードは、両方の出力の差の最大値を表示します。
# Compare outputs
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)
# Standard attention
attn_weights = torch.softmax(q @ k.transpose(-2, -1) / 8.0, dim=-1)
out_standard = attn_weights @ v
# Check difference
diff = (out_flash - out_standard).abs().max()
print(f"Max difference: {diff:.6f}")
# Should be <1e-3 for float16進め方 2: flash-attn ライブラリで進んだ機能を使う
multi-query attention、sliding window、H100 の FP8 を使いたいときの方法です。
次のチェックリストをコピーして使ってください。
flash-attn Library Setup:
- [ ] Step 1: Install flash-attn library
- [ ] Step 2: Modify attention code
- [ ] Step 3: Enable advanced features
- [ ] Step 4: Benchmark performance手順 1: flash-attn ライブラリを入れる
次のコマンドで導入し、続けて読み込めるかどうかを確かめます。
# NVIDIA GPUs (CUDA 12.0+)
pip install flash-attn --no-build-isolation
# Verify installation
python -c "from flash_attn import flash_attn_func; print('Success')"手順 2: attention のコードを書き換える
from flash_attn import flash_attn_func
# Input: [batch_size, seq_len, num_heads, head_dim]
# Transpose from [batch, heads, seq, dim] if needed
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, # For autoregressive models
window_size=(-1, -1), # No sliding window
softmax_scale=None # Auto-scale
)
out = out.transpose(1, 2) # Back to [batch, heads, seq, dim]手順 3: 進んだ機能を有効にする
multi-query attention（head をまたいで K/V を共有する）:
from flash_attn import flash_attn_func
# q: [batch, seq, num_q_heads, dim]
# k, v: [batch, seq, num_kv_heads, dim] # Fewer KV heads
out = flash_attn_func(q, k, v) # Automatically handles MQAsliding window attention（近くだけを見る attention）:
# Only attend to window of 256 tokens before/after
out = flash_attn_func(
q, k, v,
window_size=(256, 256), # (left, right) window
causal=True
)手順 4: 性能を測る
次のコードは、1 回あたりの実行時間と使ったメモリ量を表示します。
from flash_attn import flash_attn_func
q, k, v = [torch.randn(4, 4096, 32, 64, device='cuda', dtype=torch.float16) for _ in range(3)]
# Warmup
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"Time per iteration: {(end-start)/100*1000:.2f}ms")
print(f"Memory allocated: {torch.cuda.max_memory_allocated()/1e9:.2f}GB")進め方 3: H100 の FP8 で速くする（FlashAttention-3）
Hopper 世代の GPU（H100）で性能を出し切りたいときの方法です。
> 注意: pip で入る flash-attn（2.8.x）に含まれているのは FlashAttention-2 だけです。FA3 や H100 向けの FP8 カーネルは入っておらず、flash_attn_func が自動で FP8 を使うこともありません。 > FlashAttention-3 は、リポジトリの hopper/ ディレクトリからソースをビルドする別立ての ベータ版で、flash_attn_interface モジュールとして提供されます。FA3 が対応しているのは FP16/BF16 の順伝播・逆伝播と、FP8 の順伝播のみです。
FP8 Setup:
- [ ] Step 1: Verify Hopper (H100) GPU available
- [ ] Step 2: Build & install FlashAttention-3 from source (hopper/)
- [ ] Step 3: Use the FA3 interface (FP8 forward)手順 1: H100 の GPU があることを確かめる
次のコマンドで、載っている GPU の名前が表示されます。
nvidia-smi --query-gpu=name --format=csv
# Should show "H100" or "H800"手順 2: FlashAttention-3 をソースからビルドして入れる
FA3 は pip install flash-attn には含まれていません。hopper/ ディレクトリからビルドしてください。
次のコマンドで、リポジトリを取得してビルドと導入まで行います。
git clone https://github.com/Dao-AILab/flash-attention.git
cd flash-attention/hopper
python setup.py install
# (compilation is heavy and requires a CUDA toolchain + Hopper GPU)手順 3: FA3 のインターフェースを使う（FP8 の順伝播）
FA3 は、FA2 の flash_attn とは別に flash_attn_interface という独自のモジュールを持っています。FP8 は順伝播だけの経路で、入力は float8_e4m3fn である必要があります。
from flash_attn_interface import flash_attn_func # FA3 (hopper build), not `flash_attn`
# q, k, v: [batch, seqlen, nheads, headdim]
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)
# FP8 forward (inference / forward-only): cast to float8_e4m3fn
q_fp8 = q.to(torch.float8_e4m3fn)
k_fp8 = k.to(torch.float8_e4m3fn)
v_fp8 = v.to(torch.float8_e4m3fn)
out = flash_attn_func(q_fp8, k_fp8, v_fp8, causal=True)
# FP16/BF16 forward+backward is also supported by the FA3 interface.ほかの手段との使い分け
Flash Attention を使うとよい場面:
- 512 トークンを超える系列で Transformer を学習するとき
- 長い文脈（2K トークン超）で推論するとき
- GPU のメモリが足りないとき（通常の attention だと OOM になる）
- 精度を落とさずに 2〜4 倍速くしたいとき
- PyTorch 2.2 以降を使っている、または flash-attn を入れられるとき
ほかの手段のほうが向いている場面:
- 通常の attention: <256 トークンの系列（速くなる分より手間が上回ります）
- xFormers: 速さだけでなく、attention の種類をもっと使い分けたいとき
- メモリ効率のよい attention: CPU で推論するとき（Flash Attention には GPU が必要です）
よくあるつまずき
症状: ImportError: cannot import flash_attn
no-build-isolation を付けて入れ直してください。
pip install flash-attn --no-build-isolationもしくは、先に CUDA ツールキットを入れます。
conda install cuda -c nvidia
pip install flash-attn --no-build-isolation症状: 思ったより遅い（速くならない）
Flash Attention の効果は、系列が長いほど大きくなります。
- <512 トークン: ほとんど変わりません（10〜20% 程度）
- 512〜2K トークン: 2〜3 倍
- 2K トークン超: 3〜4 倍
系列の長さが十分かどうかを確かめてください。
症状: RuntimeError: CUDA error
GPU が Flash Attention に対応しているか確かめます。次のコードで、GPU の世代を表す数値が表示されます。
print(torch.cuda.get_device_capability())
# Should be ≥(7, 5) for Turing+Flash Attention に必要な条件は次のとおりです。
- Ampere（A100、A10）: ✅ 完全に対応
- Turing（T4）: ✅ 対応
- Volta（V100）: ❌ 非対応
症状: 精度が落ちる
dtype が float16 か bfloat16 になっているか確かめてください（float32 は使えません）。
q = q.to(torch.float16) # Or torch.bfloat16Flash Attention は速さのために float16/bfloat16 を使います。float32 には対応していません。
さらに踏み込む
HuggingFace Transformers との組み合わせ: BERT、GPT、Llama で Flash Attention を有効にする方法は references/transformers-integration.md を参照してください。
性能の測定結果: GPU と系列長ごとの速さとメモリの比較は references/benchmarks.md にまとまっています。
ハードウェアの条件
- GPU: NVIDIA の Ampere 以降（A100、A10、A30）または AMD の MI200 以降
- VRAM: 通常の attention と同じ（Flash Attention でメモリが増えることはありません）
- CUDA: 12.0 以降（最低でも 11.8）
- PyTorch: 標準機能として使うなら 2.2 以降
非対応: V100（Volta）、CPU での推論
参考資料
- 論文: "FlashAttention: Fast and Memory-Efficient Exact Attention with IO-Awareness"（NeurIPS 2022）
- 論文: "FlashAttention-2: Faster Attention with Better Parallelism and Work Partitioning"（ICLR 2024）
- ブログ: https://tridao.me/blog/2024/flash3/
- GitHub: https://github.com/Dao-AILab/flash-attention
- PyTorch のドキュメント: https://pytorch.org/docs/stable/generated/torch.nn.functional.scaled_dot_product_attention.html