Pular para o conteúdo principal

Flash Attention

O Flash Attention 2 fornece acelerações significativas para o treinamento de transformers otimizando padrões de acesso à memória.

Requisitos

Flash Attention 2 requer:
  • Sistema operacional Linux
  • GPU NVIDIA com suporte CUDA
  • Pacote flash-attn instalado

Início Rápido

Python API

Parâmetros

Opções de Implementação de Atenção

Compatibilidade de Modelos

Modelos Gemma usam atenção eager por padrão. Flash Attention 2 é automaticamente desabilitado para modelos Gemma devido a problemas de compatibilidade. O attn_implementation é forçado para eager.

Modelos Suportados

Com Quantização

Combine Flash Attention com quantização para máxima eficiência:

Com Sequence Packing

Flash Attention permite sequence packing eficiente:
Sequence packing requer que Flash Attention esteja habilitado.

Benefícios de Performance

Resultados variam por tamanho do modelo, comprimento da sequência e hardware.

Solução de Problemas

Erros de Instalação

Se pip install flash-attn falhar:

Erros de Runtime

“Flash Attention não está disponível”
  • Verifique se flash-attn está instalado: python -c "import flash_attn"
  • Certifique-se de estar no Linux com CUDA
  • Verifique capacidade de computação da GPU (requer SM 80+, ex: A100, H100)
Modelo usa atenção eager apesar da flag
  • Alguns modelos (como Gemma) forçam atenção eager
  • Verifique documentação do modelo para compatibilidade

Próximos Passos

Quantization

Combine com otimização de memória

LoRA/PEFT

Fine-tuning eficiente