Gemma 2 的滑动窗口注意力（Sliding Window Attention）解析：源代码

Gemma 2 的滑动窗口注意力（Sliding Window Attention）解析

---

在 Transformer 结构 中，自注意力（Self-Attention）是核心机制之一。然而，标准的自注意力计算复杂度为 ( $O(n^2)$ )，随着序列长度增加，计算和内存开销都会急剧增长。为了解决这一问题，Gemma 2 采用了滑动窗口注意力（Sliding Window Attention）机制，通过限制每个 token 只能关注附近的 tokens，大幅降低计算复杂度，使模型能够高效处理更长的文本序列。

本文将详细解析 Gemma 2 的 Sliding Window Attention 的实现原理、代码细节以及它带来的优化效果。

---

1. 为什么需要滑动窗口注意力？

1.1 标准 Transformer 的计算瓶颈

在标准 Transformer 中，自注意力计算如下：
$$\text{Attention}(Q,K,V)=\text{softmax}\left(\frac{Q{K}^T}{\sqrt{d_k}}\right)V$$
其中：

• ( $Q,K,V$ ) 是 查询（Query）、键（Key）、值（Value） 矩阵，形状为 ( $(n,d_k)$ )。
• 计算复杂度为 ( $O(n^2{d}_k)$ )，其中 ( $n$ ) 是序列长度。

问题：

• 对于 长文本（如 8K、16K token），标准 Transformer 计算量和显存占用急剧上升。
• 由于 每个 token 计算所有 token 的注意力分数，使得 全自注意力不适用于长文本任务。

---

1.2 Sliding Window Attention 如何优化？

滑动窗口注意力（Sliding Window Attention）核心思想：

• 每个 token 仅关注窗口范围内的 tokens，而不是整个序列。
• 计算复杂度降低为 ( $O(n\cdot w)$ )，其中 ( $w$ ) 是窗口大小。
• 适用于 长文本任务，如文档摘要、问答、代码补全等。

📌 示例

• 如果窗口大小 ( w = 512 )：
  • 第 1000 个 token 仅关注 [488, ..., 1000, ..., 1512] 范围内的 tokens。
  • 而不是像标准 Transformer 一样计算 [0, ..., 1000, ..., n] 之间的所有 token 交互。

🔹 这样，每个 token 只计算窗口内 tokens 的注意力，大幅减少计算量！

可以参考笔者的另一篇博客：Sliding Window Attention（滑动窗口注意力）解析: Pytorch实现并结合全局注意力（Global Attention ）

---

2. Gemma 2 中的滑动窗口注意力实现

在 Gemma 2 的 GemmaAttention 代码中，滑动窗口注意力的实现如下：

if (self.attn_type == gemma_config.AttentionType.LOCAL_SLIDINGand self.sliding_window_size is not None
):all_ones = torch.ones_like(mask)sliding_mask = torch.triu(all_ones, -1 * self.sliding_window_size + 1) * torch.tril(all_ones, self.sliding_window_size - 1)mask = torch.where(sliding_mask == 1, mask, -2.3819763e38)

---

3. 代码解析

这段代码的作用是 创建滑动窗口掩码（Sliding Mask），确保每个 token 只能关注窗口范围内的 tokens。

(1) 创建全 1 矩阵

all_ones = torch.ones_like(mask)

• 生成一个与 mask 形状相同的全 1 矩阵 all_ones。
• 这个矩阵用于构建滑动窗口的掩码。

示例
假设 mask 形状为 [batch, num_heads, seq_len, seq_len]，即：

all_ones = torch.tensor([[[1, 1, 1, 1, 1],  [1, 1, 1, 1, 1],  [1, 1, 1, 1, 1],  [1, 1, 1, 1, 1],  [1, 1, 1, 1, 1]]
])

---

(2) 生成滑动窗口掩码

sliding_mask = torch.triu(all_ones, -1 * self.sliding_window_size + 1
) * torch.tril(all_ones, self.sliding_window_size - 1)

• torch.triu(matrix, diagonal) 创建上三角矩阵，保留对角线及以上的元素。
• torch.tril(matrix, diagonal) 创建下三角矩阵，保留对角线及以下的元素。
• 两者相乘，得到 滑动窗口范围内的注意力掩码。

示例

假设 sliding_window_size = 2：

torch.triu(all_ones, -1 * 2 + 1)

参考笔者的博客：详解 torch.triu：上三角矩阵的高效构造（中英双语）
生成：

[[1, 1, 1, 1, 1],  [1, 1, 1, 1, 1],  [0, 1, 1, 1, 1],  [0, 0, 1, 1, 1],  [0, 0, 0, 1, 1]]

torch.tril(all_ones, 2 - 1)

生成：

[[1, 1, 0, 0, 0],  [1, 1, 1, 0, 0],  [1, 1, 1, 1, 0],  [1, 1, 1, 1, 1],  [1, 1, 1, 1, 1]]

相乘后：

[[0, 1, 0, 0, 0],  [1, 1, 1, 0, 0],  [0, 1, 1, 1, 0],  [0, 0, 1, 1, 1],  [0, 0, 0, 1, 1]]

• 1 表示保留的注意力连接（窗口内）。
• 0 表示屏蔽的部分（窗口外）。

---

(3) 使用 torch.where() 让窗口外的注意力分数变成 -inf

mask = torch.where(sliding_mask == 1, mask, -2.3819763e38)

• 如果 sliding_mask[i, j] == 1，则 mask[i, j] 保持不变。
• 如果 sliding_mask[i, j] == 0，则 mask[i, j] = -inf，确保 softmax 计算时这些位置的权重变成 0。

---

4. 滑动窗口注意力的优化效果

✅ 计算复杂度降低

• 标准 Transformer：( $O(n^2)$ ) 计算量，无法处理长文本。
• Sliding Window Attention：( $O(n\cdot w)$ ) 计算量，适用于 8K+ 长文本。

✅ 内存占用减少

• 标准 Transformer：完整存储 ( $n\times n$ ) 注意力矩阵，显存消耗巨大。
• Sliding Window Attention：只存储 ( $n\times w$ ) 相关的注意力分数，显存占用减少 ( $O(n)$ ) 级别。

✅ 局部性优化

• 适用于长文本任务，如 摘要、代码生成、长文问答。
• 保证计算效率的同时，不影响任务表现。

---

5. 结论

💡 Gemma 2 采用 Sliding Window Attention，使得模型能够处理更长文本，同时保持计算效率！

• 通过 滑动窗口掩码（Sliding Mask），限制 token 只能关注局部窗口范围内的 tokens。
• 计算复杂度降低为 ( $O(n\cdot w)$ )，适用于 8K-16K 长文本任务。
• 结合 局部注意力（Local Attention），确保计算高效，适用于 文档分析、QA、代码生成等任务。

🚀 Gemma 2 结合 Sliding Window Attention，是长文本 Transformer 模型优化的重要方向之一！

后记

2025年2月23日14点44分于上海，在GPT4o大模型辅助下完成。