手撕大模型，KVCache 原理及代码解析

KVCache原理解析与优化

最新推荐文章于 2025-11-15 11:23:41 发布

转载最新推荐文章于 2025-11-15 11:23:41 发布 · 166 阅读

CC 4.0 BY-SA版权

原文链接：https://mp.weixin.qq.com/s?__biz=Mzg2NzUxNTU1OA==&mid=2247683475&idx=1&sn=d1b8826079d2a4650de0d08fe799fc9a&chksm=cff2c2265fa68609adb56beb8fe00488e791bbb780186703f80caeabb5b23d93970b7b03273a&scene=126&sessionid=0

部署运行你感兴趣的模型镜像

转自 | 地平线开发者来源 | 手撕大模型｜KVCache 原理及代码解析

点击下方卡片，关注“自动驾驶之心”公众号

戳我-> 领取自动驾驶近30个方向学习路线

>>自动驾驶前沿信息获取→自动驾驶之心知识星球

本文只做学术分享，如有侵权，联系删文

在大型语言模型（LLM）的推理过程中，KV Cache 是一项关键技术，它通过缓存中间计算结果显著提升了模型的运行效率。本文将深入解析 KV Cache 的工作原理、实现方式，并通过代码示例展示其在实际应用中的效果。

01 为什么需要 KV Cache？

在 Transformer 进行自回归推理（如文本生成，每次生成一个 token 的时候需要结合前面所有的 token 做 attention 操作）时，计算注意力机制时需要存储 Key（K） 和 Value（V），以便下一个时间步可以复用这些缓存，而不必重新计算整个序列。

在标准 Transformer 解码时，每次生成新 token 时：

需要 重新计算所有之前 token 的 K 和 V，并与当前 token 进行注意力计算。
计算复杂度是 O（n²）（对于长度为 n 的序列）。

而 KV Cache 通过存储 K 和 V 的历史值，避免重复计算：

只需计算 新 token 的 K 和 V，然后将其与缓存的值结合使用。
计算复杂度下降到 O（n）（每个 token 只与之前缓存的 token 计算注意力）。

02 KV Cache 的工作原理

KV Cache 的核心思想是缓存历史计算中的键（Key）和值（Value）矩阵，避免重复计算。具体来说：

在生成第一个 token 时，模型计算并缓存所有输入 token 的 K 和 V 矩阵；
生成后续 token 时，只需要计算新 token 的查询（Query）矩阵；
将新的 Q 矩阵与缓存的 K、V 矩阵进行注意力计算，同时将新 token 的 K、V 追加到缓存中。

这个过程可以用伪代码直观展示：

初始输入: [t0, t1, t2]

首次计算: K=[K0,K1,K2], V=[V0,V1,V2] → 生成t3缓存状态: K=[K0,K1,K2], V=[V0,V1,V2]第二次计算: 新Q=Q3注意力计算: Attention(Q3, [K0,K1,K2]) → 生成t4更新缓存: K=[K0,K1,K2,K3], V=[V0,V1,V2,V3]第三次计算: 新Q=Q4注意力计算: Attention(Q4, [K0,K1,K2,K3]) → 生成t5更新缓存: K=[K0,K1,K2,K3,K4], V=[V0,V1,V2,V3,V4]...

通过这种方式，每次新生成 token 时，只需计算新的 Q 矩阵并与历史 KV 矩阵进行注意力计算，将时间复杂度从 O （n²）降低到 O （n），极大提升了长序列生成的效率。

下面，我们结合示意图进一步剖析一下 KV Cache 部分的逻辑。

KV Cache 核心节约的时间有三大块：

前面 n-1 次的 Q 的计算，当然这块对于一次一个 token 的输出本来也没有用；
同理还有 Attention 计算时对角矩阵变为最后一行，和 b 是同理的，这样 mask 矩阵也就没有什么用了；
前面 n-1 次的 K 和 V 的计算，也就是上图紫色部分，这部分是实打实被 Cache 过不需要再重新计算的部分。

这里还有个 softmax 的问题，softmax 原本就是针对同一个 query 的所有 key 的计算，所以并不受影响。

2.1 KV Cache 的技术细节

2.1.1 缓存结构

KV Cache 通常为每个注意力头维护独立的缓存，结构如下：

Key 缓存：形状为 [batch_size， num_heads， seq_len， head_dim]；
Value 缓存：形状为 [batch_size， num_heads， seq_len， head_dim]。

其中，seq_len 会随着生成过程动态增长，直到达到模型最大序列长度限制。

2.1.2 内存与速度的权衡

KV Cache 虽然提升了速度，但需要额外的内存存储缓存数据。以 GPT-3 175B 模型为例，每个 token 的 KV 缓存约占用 20KB 内存，当生成 1000 个 token 时，单个样本就需要约 20MB 内存。在批量处理时，内存消耗会线性增加。

实际应用中需要根据硬件条件在以下方面进行权衡：

最大缓存长度（影响能处理的序列长度）；
批量大小（影响并发处理能力）；
精度选择（FP16 比 FP32 节省一半内存）。

2.1.3 滑动窗口机制

当处理超长序列时，一些模型（如 Llama 2）采用滑动窗口机制，只保留最近的 N 个 token 的 KV 缓存，以控制内存占用。这种机制在牺牲少量上下文信息的情况下，保证了模型能处理更长的对话。

04 代码实现解析

下面以 PyTorch 为例，展示 KV Cache 在自注意力计算中的实现方式。

1. 基础自注意力实现（无缓存）

首先看一下标准的自注意力计算，没有缓存机制：

import torchimport torch.nn as nnimport torch.nn.functional as Fclass SelfAttention(nn.Module):    def __init__(self, embed_dim, num_heads):        super().__init__()        self.embed_dim = embed_dim        self.num_heads = num_heads        self.head_dim = embed_dim // num_heads
        # 定义Q、K、V投影矩阵        self.q_proj = nn.Linear(embed_dim, embed_dim)        self.k_proj = nn.Linear(embed_dim, embed_dim)        self.v_proj = nn.Linear(embed_dim, embed_dim)        self.out_proj = nn.Linear(embed_dim, embed_dim)
    def forward(self, x):        batch_size, seq_len, embed_dim = x.shape
        # 计算Q、K、V        q = self.q_proj(x).view(batch_size, seq_len, self.num_heads, self.head_dim).transpose(1, 2)        k = self.k_proj(x).view(batch_size, seq_len, self.num_heads, self.head_dim).transpose(1, 2)        v = self.v_proj(x).view(batch_size, seq_len, self.num_heads, self.head_dim).transpose(1, 2)
        # 计算注意力分数        attn_scores = (q @ k.transpose(-2, -1)) / (self.head_dim ** 0.5)        attn_probs = F.softmax(attn_scores, dim=-1)
        # 应用注意力权重        output = attn_probs @ v        output = output.transpose(1, 2).contiguous().view(batch_size, seq_len, embed_dim)
        return self.out_proj(output)

2. 带 KV Cache 的自注意力实现

下面修改代码，加入 KV Cache 机制：

class CachedSelfAttention(nn.Module):    def __init__(self, embed_dim, num_heads):        super().__init__()        self.embed_dim = embed_dim        self.num_heads = num_heads        self.head_dim = embed_dim // num_heads
        # 定义投影矩阵        self.q_proj = nn.Linear(embed_dim, embed_dim)        self.k_proj = nn.Linear(embed_dim, embed_dim)        self.v_proj = nn.Linear(embed_dim, embed_dim)        self.out_proj = nn.Linear(embed_dim, embed_dim)
        # 初始化缓存        self.cache_k = None        self.cache_v = None
    def forward(self, x, use_cache=False):        batch_size, seq_len, embed_dim = x.shape
        # 计算Q、K、V        q = self.q_proj(x).view(batch_size, seq_len, self.num_heads, self.head_dim).transpose(1, 2)        k = self.k_proj(x).view(batch_size, seq_len, self.num_heads, self.head_dim).transpose(1, 2)        v = self.v_proj(x).view(batch_size, seq_len, self.num_heads, self.head_dim).transpose(1, 2)
        # 如果使用缓存且缓存存在，则拼接历史KV        if use_cache and self.cache_k is not None:            k = torch.cat([self.cache_k, k], dim=-2)            v = torch.cat([self.cache_v, v], dim=-2)
        # 如果使用缓存，更新缓存        if use_cache:            self.cache_k = k            self.cache_v = v
        # 计算注意力分数（注意这里的k是包含历史缓存的）        attn_scores = (q @ k.transpose(-2, -1)) / (self.head_dim ** 0.5)        attn_probs = F.softmax(attn_scores, dim=-1)
        # 应用注意力权重        output = attn_probs @ v        output = output.transpose(1, 2).contiguous().view(batch_size, seq_len, embed_dim)
        return self.out_proj(output)
    def reset_cache(self):        """重置缓存，用于新序列的生成"""        self.cache_k = None        self.cache_v = None

3. 生成过程中的缓存使用

在文本生成时，我们可以这样使用带缓存的注意力机制：

def generate_text(model, input_ids, max_length=50):    # 初始化模型缓存    model.reset_cache()
    # 处理初始输入    output = model(input_ids, use_cache=True)    next_token = torch.argmax(output[:, -1, :], dim=-1, keepdim=True)    generated = [next_token]
    # 生成后续token    for _ in range(max_length - 1):        # 只输入新生成的token        output = model(next_token, use_cache=True)        next_token = torch.argmax(output[:, -1, :], dim=-1, keepdim=True)        generated.append(next_token)
        # 如果生成结束符则停止        if next_token.item() == 102:  # 假设102是[SEP]的id            break
    return torch.cat(generated, dim=1)

05 KV Cache 的优化策略

在实际部署中，为了进一步提升 KV Cache 的效率，还会采用以下优化策略：

分页 KV Cache（Paged KV Cache）：借鉴内存分页机制，将连续的 KV 缓存分割成固定大小的块，提高内存利用率，代表实现有 vLLM。
动态缓存管理：根据输入序列长度动态调整缓存大小，在批量处理时优化内存分配。
量化缓存：使用 INT8 或 INT4 等低精度格式存储 KV 缓存，在牺牲少量精度的情况下大幅减少内存占用。
选择性缓存：对于一些不重要的层或注意力头，选择性地不进行缓存，平衡速度和内存。

06 总结

KV Cache 通过缓存中间计算结果，有效解决了 Transformer 模型在生成式任务中的效率问题，是大模型能够实现实时交互的关键技术之一。理解 KV Cache 的工作原理和实现方式，对于优化大模型推理性能、解决实际部署中的挑战具有重要意义。

07 参考链接

1. https://zhuanlan.zhihu.com/p/670515231

2. https://zhuanlan.zhihu.com/p/714288577

3. https://zhuanlan.zhihu.com/p/715921106https://zhuanlan.zhihu.com/p/19489285169

4. https://medium.com/@joaolages/kv-caching-explained-276520203249

自动驾驶之心

论文辅导来啦

自驾交流群来啦！

自动驾驶之心创建了近百个技术交流群，涉及大模型、VLA、端到端、数据闭环、自动标注、BEV、Occupancy、多模态融合感知、传感器标定、3DGS、世界模型、在线地图、轨迹预测、规划控制等方向！欢迎添加小助理微信邀请进群。

知识星球交流社区

近4000人的交流社区，近300+自动驾驶公司与科研结构加入！涉及30+自动驾驶技术栈学习路线，从0到一带你入门自动驾驶感知（大模型、端到端自动驾驶、世界模型、仿真闭环、3D检测、车道线、BEV感知、Occupancy、多传感器融合、多传感器标定、目标跟踪）、自动驾驶定位建图（SLAM、高精地图、局部在线地图）、自动驾驶规划控制/轨迹预测等领域技术方案、大模型，更有行业动态和岗位发布！欢迎加入。

独家专业课程

端到端自动驾驶、大模型、VLA、仿真测试、自动驾驶C++、BEV感知、BEV模型部署、BEV目标跟踪、毫米波雷达视觉融合、多传感器标定、多传感器融合、多模态3D目标检测、车道线检测、轨迹预测、在线高精地图、世界模型、点云3D目标检测、目标跟踪、Occupancy、CUDA与TensorRT模型部署、大模型与自动驾驶、NeRF、语义分割、自动驾驶仿真、传感器部署、决策规划、轨迹预测等多个方向学习视频

学习官网：www.zdjszx.com

您可能感兴趣的与本文相关的镜像