程序员必学！大模型推理加速神器KV Cache原理与实战代码解析

KV Cache是大型语言模型推理的核心加速技术，通过缓存历史Key和Value值避免重复计算，将Transformer自回归推理的复杂度从O(n²)降至O(n)。本文详细解析了其工作原理、技术细节、内存优化策略，并通过PyTorch代码展示实现方式。理解KV Cache对提升大模型推理效率、解决实际部署挑战具有重要意义，是优化大模型性能的关键技术之一。

AI绘画哇哒哒

1055人浏览 · 2025-09-23 15:52:30

AI绘画哇哒哒 · 2025-09-23 15:52:30 发布

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）。

在这里插入图片描述

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。

在这里插入图片描述

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。

03 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)