xFormers - Transformers 加速研究的工具箱_xformers安装

---

一、关于 xFormers

xFormers是一个基于PyTorch的库，其中包含灵活的Transformers 组件。

它们是可互操作和优化的构建块，可以选择组合以创建一些最先进的模型。

• github : https://github.com/facebookresearch/xformers
• 官方文档： https://facebookresearch.github.io/xformers/

---

特点

• 可定制的构建块：无需样板代码即可使用的独立/可定制构建块。组件与领域无关，xFormers被视觉、NLP等领域的研究人员使用。
• 首先研究：xFormers包含前沿组件，这些组件在PyTorch等主流库中尚不可用。
• 考虑效率：因为迭代速度很重要，所以组件尽可能快速和内存高效。xFormers包含自己的CUDA内核，但在相关时会分派到其他库。

---

二、安装xFormers

• （推荐，linux）使用conda安装最新的稳定版：需要使用conda安装PyTorch2.3.1

conda install xformers -c xformers
1

---

• （推荐，linux&win）使用pip安装最新的稳定版：需要PyTorch2.3.1

# cuda 11.8 version
pip3 install -U xformers --index-url https://download.pytorch.org/whl/cu118
# cuda 12.1 version
pip3 install -U xformers --index-url https://download.pytorch.org/whl/cu121
1
2
3
4

---

• 开发二进制文件：

# Use either conda or pip, same requirements as for the stable version above
conda install xformers -c xformers/label/dev
pip install --pre -U xformers
1
2
3

---

• 从源代码安装：例如，如果您想与另一个版本的PyTorch一起使用（包括夜间发布）

# (Optional) Makes the build much faster
pip install ninja
# Set TORCH_CUDA_ARCH_LIST if running and building on different GPU types
pip install -v -U git+https://github.com/facebookresearch/xformers.git@main#egg=xformers
# (this can take dozens of minutes)
1
2
3
4
5

---

三、Benchmarks

Memory-efficient MHA

设置：f16上的A100，测量前进+后退传球的总时间

请注意，这是精确的关注，而不是近似值，只需调用xformers.ops.memory_efficient_attention

---

更多 benchmarks

xFormers提供了许多组件，BENCHMARKS.md中提供了更多基准测试。

---

（可选）测试安装

此命令将提供有关xFormers安装的信息，以及构建/可用的内核：

python -m xformers.info
1

---

四、使用xFormers

---

1、Transformers 关键概念

让我们从变形金刚架构的经典概述开始（插图来自Lin et al，“A Survey of Transformers”）

在这个例子中，你会发现关键的存储库边界：转换器通常由注意力机制、编码一些位置信息的嵌入、前馈块和残差路径（通常称为前层或后层范数）的集合组成。这些边界并不适用于所有模型，但我们在实践中发现，如果有一些调整，它可以捕捉到大部分最先进的技术。

因此，模型不是在单体文件中实现的，这些文件通常很难处理和修改。上图中出现的大多数概念对应于抽象级别，当给定子块存在变体时，应该始终可以选择其中任何一个。您可以专注于给定的封装级别并根据需要进行修改。

---

2、Repo map

├── ops                         # Functional operators
    └ ...
├── components                  # Parts zoo, any of which can be used directly
│   ├── attention
│   │    └ ...                  # all the supported attentions
│   ├── feedforward             #
│   │    └ ...                  # all the supported feedforwards
│   ├── positional_embedding    #
│   │    └ ...                  # all the supported positional embeddings
│   ├── activations.py          #
│   └── multi_head_dispatch.py  # (optional) multihead wrap
|
├── benchmarks
│     └ ...                     # A lot of benchmarks that you can use to test some parts
└── triton
      └ ...                     # (optional) all the triton parts, requires triton + CUDA gpu
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

---

3、主要特点

1. 许多注意力机制，可互换性
2. a. 记忆效率高的精确注意力 – 快10倍
   b. 注意力稀疏
   c. 块稀疏注意
   d. 融合softmax
   e. 熔融线性层
   f. 熔合层范数
   g. 融合辍学（激活（x+偏差））
   h. 熔融旋转
3. a. 微观基准
   b. Transformers 组基准
   c. 上帝抵抗军，在SLURM的支持下
4. a. 与分层变形金刚兼容，如Swin或元变形金刚
5. a. 不使用单片CUDA内核、可组合构建块
   b. 使用Triton优化部分，显式，pythonic和用户可访问
   c. 对SquaredReLU（在ReLU、LeakyReLU、GeLU之上）的原生支持，可扩展激活

---

4、安装故障排除

• NVCC和当前CUDA运行时匹配。根据您的设置，您可以更改CUDA运行时，使用module unload cuda; module load cuda/xx.x，也可能是nvcc
• 您使用的GCC版本与当前的NVCC功能匹配
• 将TORCH_CUDA_ARCH_LISTenv变量设置为您想要支持的体系结构。建议的设置（构建缓慢但全面）是export TORCH_CUDA_ARCH_LIST="6.0;6.1;6.2;7.0;7.2;7.5;8.0;8.6"
• 如果从源OOMs构建，则可以减少忍者与MAX_JOBS的并行性（例如MAX_JOBS=2）
• 如果您在使用conda安装时遇到UnsatisfiableError，请确保您在conda环境中安装了PyTorch，并且您的设置（PyTorch版本、cuda版本、python版本、操作系统）匹配xFormers的现有二进制文件

---

2024-07-17（三）