什么是KV Cache
KV cache，即键值对缓存（Key-Value Cache），是一种存储结构，用于快速访问数据。在计算机科学中，键值对是一种数据结构，其中每个键（Key）映射到一个值（Value）。缓存是一种临时存储数据的方法，以便快速访问，减少对原始数据源的访问次数，提高系统性能。
在大模型领域，KV Cache是一种推理优化手段。
在大模型推理的时候，我们最看重的是两个指标：
一个是吞吐量：吞出量是针对后端系统而言的。吞吐量代表了大模型单位时间内处理Tokens的数量，这里的Tokens一般指输入和输出Tokens数量的总和，在Infra条件一样的情况下，吞吐量越大，大模型推理系统的资源利用效率更高，推理的成本也就是更低（毕竟推理主要就是看成本）
- 一个时延：时延是针对最终用户而言的。时延用户平均收到每个Token所花费的时间，业务通常认为这个数值如果小于50ms，则用户可以收获相对良好的使用体验。
Transformer模型的显著特性在于，每次推理过程仅生成一个token作为输出。该token随后与之前生成的所有tokens结合，形成下一轮推理的输入。这个过程不断重复，直至生成完整的输出序列。然而，由于每轮的输入仅比上一轮多出一个token，导致了大量的冗余计算。KV Cache技术的出现正是为了解决这一问题，它通过存储可复用的键值向量，有效避免了这些不必要的重复计算，显著提高了推理的效率。
如果没有KV缓存，每次生成新token时，都需要重新计算所有token的键和值，这会导致计算复杂度呈平方增长。而KV缓存通过存储之前生成的token的键和值，使得新token的生成只需要与这些缓存的数据进行交互，从而将复杂度降低到线性。
推理的两个阶段
KV Cache技术的引入，将推理过程分为两个阶段，为进一步优化提供了新的可能。
预填充阶段（Prefill）：典型特点为compute-bound。在生成第一个输出token的过程中，该阶段启动。在此阶段，系统会为每个Transformer层精确计算并存储key cache和value cache。此时的浮点运算次数（FLOPs）与未使用KV Cache时保持一致，涉及大量的通用矩阵乘法（GEMM）操作，属于计算密集型任务，需要FP16或者Int8算力值更大的GPU芯片。
解码阶段（Decode）：典型特点为memory-bound。当生成第二个输出token开始，直至生成最后一个token，该阶段便启动。此时，由于KV Cache已经存储了之前所有轮次的键值结果，每轮推理只需从Cache中读取数据，并将新计算出的Key和Value添加到Cache中。这导致每轮的FLOPs降低，推理速度比预填充阶段快得多，此时的计算转变为内存密集型，因为需要存储更多的数据，需要显存更大的GPU芯片。
KV Cache不是完美银弹
虽然KV缓存可以显著提高模型的运行效率，但它也带来了内存占用的问题。KV缓存的大小随着序列长度的增加而线性增长，有时甚至可以达到模型大小的数倍。这种内存占用在推理场景中尤为常见，尤其是在显存受限的情况下，KV缓存的大小可能成为制约模型性能的瓶颈。
KV Cache的优化策略：为了解决KV缓存带来的内存问题，研究人员提出了多种优化策略。例如，通过量化技术减少模型权重和KV缓存的内存占用，或者采用模型并行技术将模型分片到多个GPU上。此外，还有研究专注于KV缓存的压缩和内存管理，如FastGen方法，它通过自适应压缩技术，减少了KV缓存的内存需求，同时保持了模型的效率。
粤ICP备14082021号
免费POC，
零成本试错
