Flash Attention
O Flash Attention 2 fornece acelerações significativas para o treinamento de transformers otimizando padrões de acesso à memória.Requisitos
Início Rápido
Python API
Parâmetros
Opções de Implementação de Atenção
Compatibilidade de Modelos
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
Sepip 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)
- 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