1.vllm代码走读（四）-- 模型执行
2.[fastllm]fastllm源码结构解析
3.DETR解读
4.retnet和linearattention的区别
5.MMDet——Deformable DETR源码解读
6.对Deformable DETR的理解

vllm代码走读（四）-- 模型执行

       本文主要对vllm代码走读（四）-- 模型执行过程中的细节进行深入分析，特别关注模型推理的实现。在上一节中，我们讨论了分布式环境下的模型执行机制，但模型推理的细节未能覆盖，这不利于后续流程的筹码意愿源码理解。因此，本节将聚焦于模型推理的实现，以单GPU处理为例进行讲解。

       模型执行的入口函数包含了对推理数据的准备、基于seq的数据封装、数据统计以创建设备相关资源、seq分析、整体封装、资源申请等关键步骤。在seq分析中，VLLM调度的单位是seqGroups，处理实际推理中的seq。seq分析涉及两层循环，处理数据。对于seq核心代码，主要对seq_len、context_len、query_len等进行处理，形成实际需要处理的数据长度。

       在整体封装过程中，seq之上进行统一数据处理，batch_size为此次调度处理的TOKEN数量，max_query_len为seq中间最长TOKEN处理个数。block_tables进行扩充，但实际是数据上的扩充，并非KV CACHE的申请，以避免GPU KV CACHE利用率过高。

       资源申请阶段，libarchive源码安装seq_start_loc和seq_start_loc基于query_lens_tensor和seq_lens_tensor进行处理，涉及ATTENTION加速的内存相关操作。在SamplingMetadata.prepare中，处理seq_lens和query_lens，基于SEQ GROUP进行遍历。prefill阶段处理分支不作分析，decode阶段处理prompt_logprob_len为0，sample_len为seq groups包含的seq数量。

       model_executable对应的函数，输入数据主要由_prepare_model_input生成。这部分分析了input_embedding、layer、ATTENTION、QKVParallelLinear、Attention、RowParallelLinear、MLP等关键组件的实现。input_embedding使用VocabParallelEmbedding类的forward函数，处理分布式embedding实现。layer以LlamaDecoderLayer为例，详细分析了self_attn和mlp的实现，重点关注ATTENTION部分，使用了flash-attention库进行优化。

       ATTENTION部分的实现包括QKVParallelLinear的创建、Attention的具体实现以及RowParallelLinear的使用，其中Attention部分使用了flash-attention的后端实现。MLP部分则拆解为了up&gate、silu&mul、down三个算子，分别对应MLP结构的不同部分。

       最后，execute_model得到模型多层网络的hidden_state。compute_logit阶段涉及_prune_hidden_states、彩虹验证源码get_logits、_apply_logits_processors等步骤，分别处理隐藏状态的剪枝、获取概率和应用定制运算。

       总结而言，本文从模型执行的入口、数据准备、处理细节、资源申请、ATTENTION和MLP实现到最终输出，全面解析了vllm模型执行的核心流程，为深入理解模型推理提供了详细的步骤和原理分析。

[fastllm]fastllm源码结构解析

       fastllm源码结构解析

       主要文件结构和继承关系如下：

       main包含factoryllm工厂，用于生成各种llm模型实例，basellm作为基类，包含通用方法和参数，所有模型使用相同的命名空间，fastllm为基本类，定义数据格式、权重映射和基础算子操作。

       fastllm类属性解析：

       SetThreads(int t): 设置线程数

       SetLowMemMode(bool m): 设置低内存模式

       LowBitConfig: 包含量化参数，提供量化与反量化方法

       DataType: 包括浮点、int8、int4等数据类型

       DataDevice: 包含CPU与CUDA

       WeightType: 包括LINEAR、EMBEDDING和None

       Data: 包括形状、大小、扩容信息，量化配置等，提供复制、分配、预扩容等功能

       Tokenizer: 包含TrieNode链表和token-to-string字典，提供插入、编码和解码函数

       WeightMap: 存储模型名称与数据内存，广告木马源码支持从文件加载和保存低位量化权重

       core类操作分析：

       Embedding: 根据输入与权重计算输出

       RMSNorm: L2归一化后乘以权重

       LayerNorm: 使用gamma、beta进行层归一化

       Linear: 线性变换

       Split: 按轴分割数据

       Cat: 按轴拼接数据

       MatMulTransB: 多线程下矩阵转置乘法

       Softmax: 激活函数

       Silu: SiLU激活函数

       GeluNew: 新型Gelu激活函数

       Mul: 矩阵与浮点数乘法

       MulTo: 点乘

       AddTo: 点加操作（带alpha和不带alpha）

       AttentionMask: 根据mask值替换

       Permute: 数据通道转换

       ToDevice: 数据迁移至GPU

       basellm作为抽象类，继承自fastllm，包含纯虚函数如加载权重、模型推理、保存低比特模型、热身等。

       chatglm、moss和vicuna继承自basellm，实现具体模型，函数与basellm类似。

       fastllm结构体与属性解析：

       FileBuffer: 文件读写操作，包括读取各种类型数据和文件写操作

       Data操作: 包括数据拷贝、统计、扩容、转置、计算权重和等

       Tokenizer方法: 包括初始化、清空、插入、编码和解码

       WeightMap方法: 包括从文件加载和保存低位量化权重

       fastllm方法: 包括矩阵转置、通道转换、数据迁移、多线程乘法、激活函数等

DETR解读

       DETR（Detection Transformer）是一种新型的目标检测模型，它基于Transformer架构，由Facebook AI Research（FAIR）提出。DETR与传统目标检测方法不同，不使用锚框或候选区域，而是直接将整个图像输入到Transformer中，同时输出目标的类别和边界框。

       DETR的主要构成部分包括backbone、transfomer以及head模块。本文将结合源码对DETR进行解析。weevely源码分析

       Backbone部分包含PE（position embedding）和cnn（resnet）主干网络。

       PE采用二维位置编码，x和y方向各自计算了一个位置编码，每个维度的位置编码长度为num_pos_feats（该数值实际上为hidden_dim的一半），奇数位置正弦，偶数位置余弦，最后cat到一起（NHWD），permute成（NDHW）。输入的mask是2**，那么最后输出的pos encoding的shape是2***。

       CNN_backbone采用resnet，以输入3**为例，输出**，下采样5次合计倍。

       Transfomer主要由encoder和decoder两大模块构成。

       TransformerEncoder中，qkv都来自src，其中q和k加了位置编码，v没有加，猜测原因可能是qk之间会计算attention，所以位置是比较重要的，value则是和attention相乘，不需要额外的位置编码。

       TransformerDecoder中，几个重点的变量包括object query的自注意力和cross attention。

       Head部分，分类分支是Linear层，回归分支是多层感知机。

       Matcher采用的是HungarianMatcher匹配，这里计算的cost不参与反向传播。

       Criterion根据匈牙利算法返回的indices tuple，包含了src和target的index，计算损失：分类loss+box loss。

       分类损失采用交叉熵损失函数，回归损失采用L1 loss + Giou loss。

       推理部分，先看detr forward函数，后处理，预测只需要卡个阈值即可。

       论文链接：arxiv.org/pdf/....

       代码链接：github.com/facebookrese...

       参考链接：zhuanlan.zhihu.com/p/... zhuanlan.zhihu.com/p/...

       如需删除侵权内容，请联系我。

retnet和linearattention的区别

       ç»“构不同；计算复杂度不同等。

       ç»“构不同：RetNet采用残差块结构，通过引入跳跃连接来避免梯度消失和表示瓶颈问题。而LinearAttention通常是一个线性变换，没有残差连接。

       è®¡ç®—复杂度不同：RetNet由于引入了残差块，其计算复杂度相对较高。而LinearAttention的计算复杂度相对较低，因为它只涉及一个线性变换操作。

MMDet——Deformable DETR源码解读

       Deformable DETR: 灵活与精准的检测架构

       Deformable DETR是对DETR模型的革新，通过引入Deformable结构和Multi-Scale策略，实现了性能提升与训练成本的优化。它解决了DETR中全像素参与导致的计算和收敛问题，通过智能地选取参考点，实现了对不同尺度物体的高效捕捉。这种结构弥补了Transformer在视觉任务上的局限，如今已经成为业界标准。

       核心改进在于对Attention机制的重塑，Deformable DETR基于Resnet提取的特征，融入了多尺度特征图和位置编码，生成包含目标查询的多层次特征。其架构由Backbone（Resnet提取特征）、Transformer编码器（MSdeformable self-attention）和解码器（MultiheadAttention和CrossAttention）组成，每个组件都发挥关键作用：

Backbone：Resnet-作为基础，提取来自第一到第三阶段的特征，第一阶段特征被冻结，使用Group Normalization。

Neck：将输入通道[, , ]映射到通道，利用ChannelMapper，生成4个输出特征图。

Bbox Head：采用DeformableDETRHead类型的结构，负责目标检测的最终预测。

       Deformable Attention的核心在于其创新的处理方式：参考点（Reference Points）作为关键元素，预先计算并固定，offsets由query通过线性层生成，Attention权重由query通过线性变换和Softmax函数确定。而在Value计算上，输入特征图通过位置选择，结合参考点和offset，实现精确特征提取。最后，Attention权重与Value的乘积经过Linear层，得出最终输出。

       在Decoder部分，Self-Attention模块关注对象查询，Cross-Attention则在对象查询与编码器输出间进行交互，生成包含物体特征的query。输入包含了query、值（编码器特征图）、位置编码、padding mask、参考点、空间形状等信息，输出则是每层decoder的object query和更新后的参考点。

       简化后的代码，突出了关键部分的处理逻辑，如Encoder使用Deformable Attention替换传统的Self Attention，输入特征map经过处理后，参考点的初始化和归一化操作确保了模型的高效性能。Decoder中的注意力机制和输入输出细节，都展现出模型灵活且精准的检测能力。

       Deformable DETR的设计巧妙地融合了Transformer的灵活性和Transformer架构的效率，为目标检测任务提供了全新的解决方案，展现出了其在实际应用中的优越性。

对Deformable DETR的理解

       理解Deformable DETR：一种改进的端到端物体检测方法（ICLR 口头报告）

       首先，了解DETR的基础，特别是其Multi-head attention模块，相关知识可以参考arxiv.org/abs/....。Deformable DETR针对DETR的两个主要问题进行了优化：收敛速度慢和小目标检测性能不佳。

       核心改进在于Deformable attention模块。以K=3, M=3为例，它将输入特征分解为多个Query feature，通过Linear计算Sampling Offsets和Attention Weights。每个Query feature与K个key交互，但不同之处在于，Deformable DETR的Attention Weights是通过Linear生成，而非原始方式。这种方法通过引入参考点和采样点，仅与部分特征点进行交互，显著减少了计算量。

       多尺度Deformable Attention Module进一步提升了模型性能，通过cross attention在不同尺度特征间传递信息，无需使用FPN。对于小目标检测，这种方法效果显著。算法流程清晰，通过参考点和采样点的可学习位置，模型能直接与decoder attention关联，加快收敛。

       在计算复杂度方面，Deformable DETR相较于原始DETR有所优化。具体复杂度对比可以参考公式[公式] 和 [公式]。若对内容有帮助，欢迎分享你的理解。

       深入学习Deformable DETR，可以参考以下资源：

       科技猛兽：Vision Transformer详细解读

       深入理解DETR系列中Deformable DETR视频教程

       论文原文：arxiv.org/pdf/....

详解AFT（Attention Free Transformer ）

       Transformer中的自注意力机制曾因其复杂性而备受关注。Apple引领的创新，AFT（Attention Free Transformer）提出了一种突破性的计算方式，挑战了传统矩阵乘法在自注意力中的地位。AFT家族包括AFT-local（局部注意力）、AFT-simple和AFT-conv，每一个版本都在效率与复杂性之间寻求平衡。其中，AFT-full的精髓在于：首先，通过三个线性变换进行权值计算；接着，位置信息被巧妙地编码并归一化；然后，sigmoid激活和点乘操作赋予了模型新的动态；最后，权重加权赋予了模型决策的力量。尽管AFT-full的实现细节需要留意广播加法和矩阵乘法，但其精简的计算流程令人瞩目。

       尽管AFT-full与Transformer在复杂度上保持一致，但位置编码的密集计算为优化提供了可能。AFT-local的创新在于它仅在局部范围内考虑位置信息，尽管计算量保持稳定，却能有效聚焦关键区域。AFT-simple进一步简化，摒弃了无关位置编码，类似于Linear Attention，以更纯粹的线性方式处理注意力。而AFT-conv更是将CNN特性与注意力结合，通过分组卷积实现多头注意力，代码如下：

       class AFTConv(nn.Module): ... def __init__(self, heads, max_len, dim, hid_dim, window_size): ... self.wq = nn.Linear(dim, hid_dim * heads) self.wk = nn.Linear(dim, ...)

       AFT通过参数化位置偏置，特别是1维卷积的重参数化（），赋予了模型更强的适应性和表现力。尽管表面看起来AFT似乎跳过了传统的注意力机制，实际上它通过矩阵逐元素乘法替代了原有方法，但速度优化并不简单。AFT-full、AFT-local、AFT-simple和AFT-conv模型的出现，是对参数w的精细调整，展现了AFT设计的巧妙和灵活性。然而，AFT的真正实力还需在大量实验中验证，揭示其在实际应用中的潜力和优势。

线性Attention的探索：Attention必须有个Softmax吗？

       当前最流行的Attention机制当属 Scaled-Dot Attention，形式为：

       在进行Attention之前，用两个[公式] 的矩阵 [公式] 分别对 [公式] 进行投影，即变为：

       这样一来，[公式] 就只是一个 [公式] 的矩阵，而作者声称对于哪怕对于很大的序列长度n，m也可以保持为一个适中的常数，从而这种Attention也是线性的。

       但是，本文介绍的几种Linear Attention都能做到这一点。以式[公式] 和式 [公式] 为例，如果要Mask掉未来信息，那么只需要把求和 [公式] 改为 [公式]：

       实现上式有两种方式：第一方式是设[公式] 以及 [公式]，我们有：

       这说明这种Attention可以作为一个RNN模型用递归的方式实现，它的空间复杂度最低，但是要串性计算，适合预测解码时使用；第二种是直接将[公式] 做外积，得到一个 [公式] 的矩阵，然后对n那一维执行 [公式] 运算，这样就一次性得到 [公式] 了，它的速度最快，但空间占用最大，适合训练时使用。

       相比于其他类似的改进结构的工作，这种修改能在把复杂度降到 [公式] 的同时，依然保留所有的“token-token“的注意力，同时还能保留用于做自回归生成的可能性。