vllm.attention
模块:
名称 | 描述 |
---|---|
backends |
|
layer |
注意力层。 |
ops |
|
selector |
|
__all__
module-attribute
¶
__all__ = [
"Attention",
"AttentionBackend",
"AttentionMetadata",
"AttentionType",
"AttentionMetadataBuilder",
"Attention",
"AttentionState",
"get_attn_backend",
]
注意
¶
基类: Module
注意力层。
该类接收查询(query)、键(key)和值(value)张量作为输入。输入张量可以包含提示词元(prompt tokens)或生成词元(generation tokens)。该类主要实现以下功能:
- 将输入的键和值张量存储在KV缓存中。
- 执行(多头/多查询/分组查询)注意力机制。
- 返回输出张量。
Source code in vllm/attention/layer.py
25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 |
|
实现
instance-attribute
¶
impl = impl_cls(
num_heads,
head_size,
scale,
num_kv_heads,
alibi_slopes,
sliding_window,
kv_cache_dtype,
blocksparse_params,
logits_soft_cap,
attn_type,
**extra_impl_args,
)
__init__
¶
__init__(
num_heads: int,
head_size: int,
scale: float,
num_kv_heads: Optional[int] = None,
alibi_slopes: Optional[List[float]] = None,
cache_config: Optional[CacheConfig] = None,
quant_config: Optional[QuantizationConfig] = None,
blocksparse_params: Optional[Dict[str, Any]] = None,
logits_soft_cap: Optional[float] = None,
per_layer_sliding_window: Optional[int] = None,
use_mla: bool = False,
prefix: str = "",
attn_type: str = DECODER,
**extra_impl_args,
) -> None
键值缓存存储在此类内部,并通过self.kv_cache
进行访问。
Source code in vllm/attention/layer.py
37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 |
|
calc_kv_scales
¶
Source code in vllm/attention/layer.py
extra_repr
¶
extra_repr() -> str
Source code in vllm/attention/layer.py
forward
¶
forward(
query: Tensor,
key: Tensor,
value: Tensor,
output_shape: Optional[Size] = None,
) -> Tensor
键值缓存存储在此类内部,并通过self.kv_cache
进行访问。
注意力元数据(attn_metadata
)通过模型运行器的execute_model
方法中的上下文管理器进行设置。它通过前向上下文使用vllm.forward_context.get_forward_context().attn_metadata
进行访问。
Source code in vllm/attention/layer.py
AttentionBackend
¶
基类: ABC
注意力机制后端的抽象类。
Source code in vllm/attention/backends/abstract.py
advance_step
¶
copy_blocks
abstractmethod
staticmethod
¶
get_builder_cls
abstractmethod
staticmethod
¶
get_builder_cls() -> Type[AttentionMetadataBuilder]
get_impl_cls
abstractmethod
staticmethod
¶
get_impl_cls() -> Type[AttentionImpl]
get_kv_cache_shape
abstractmethod
staticmethod
¶
get_kv_cache_stride_order
staticmethod
¶
get_metadata_cls
abstractmethod
staticmethod
¶
get_metadata_cls() -> Type[AttentionMetadata]
get_state_cls
abstractmethod
staticmethod
¶
get_state_cls() -> Type[AttentionState]
make_metadata
classmethod
¶
make_metadata(*args, **kwargs) -> AttentionMetadata
swap_blocks
abstractmethod
staticmethod
¶
AttentionMetadata
dataclass
¶
预填充和解码批次处理的注意力元数据。
Source code in vllm/attention/backends/abstract.py
decode_metadata
abstractmethod
property
¶
decode_metadata: Optional[AttentionMetadata]
返回运行解码注意力机制所需的注意力元数据。
multi_modal_placeholder_index_maps
instance-attribute
¶
prefill_metadata
abstractmethod
property
¶
prefill_metadata: Optional[AttentionMetadata]
返回运行预填充注意力机制所需的注意力元数据。
__init__
¶
__init__(
num_prefills: int,
num_prefill_tokens: int,
num_decode_tokens: int,
slot_mapping: Tensor,
multi_modal_placeholder_index_maps: Optional[
Dict[str, IndexMap]
],
enable_kv_scales_calculation: bool,
) -> None
asdict_zerocopy
¶
类似于 dataclasses.asdict,但避免了深拷贝。
Source code in vllm/attention/backends/abstract.py
AttentionMetadataBuilder
¶
注意力元数据构建器的抽象类。
Source code in vllm/attention/backends/abstract.py
AttentionState
¶
保存模型运行期间重复使用的注意力后端特定对象。
Source code in vllm/attention/backends/abstract.py
__init__
abstractmethod
¶
__init__(runner: ModelRunnerBase)
begin_forward
abstractmethod
¶
begin_forward(model_input: ModelRunnerInputBase) -> None
get_graph_input_buffers
abstractmethod
¶
get_graph_input_buffers(
attn_metadata: T,
is_encoder_decoder_model: bool = False,
) -> Dict[str, Any]
获取用于CUDA图捕获的注意力专用输入缓冲区。
graph_capture_get_metadata_for_batch
abstractmethod
¶
graph_capture_get_metadata_for_batch(
batch_size: int, is_encoder_decoder_model: bool = False
) -> T
获取用于批处理大小CUDA图捕获的注意力元数据。
graph_clone
abstractmethod
¶
graph_clone(batch_size: int) -> AttentionState[T]
AttentionType
¶
注意力类型。
使用字符串以兼容torch.compile
。
Source code in vllm/attention/backends/abstract.py
get_attn_backend
¶
get_attn_backend(
head_size: int,
dtype: dtype,
kv_cache_dtype: Optional[str],
block_size: int,
is_attention_free: bool,
is_blocksparse: bool = False,
use_mla: bool = False,
) -> Type[AttentionBackend]
选择要使用的注意力机制后端并延迟导入。