attention_tiled — LLMCORE `attend` op

• Datenarten: tokens × tokens × tokens → tokens

• Aufruf: import fullseye as fs; fs.ledger.attention_tiled(query, key, value, tile: 'int' = 64, mask=None, window=None, scale=None) -> 'np.ndarray' (die Implementierung direkt: import llmcore; llmcore.attention_tiled(query, key, value, tile: 'int' = 64, mask=None, window=None, scale=None) -> 'np.ndarray'; aus dem Register: opsllmcore.get("attention_tiled"))

Verwendung

> Für diesen Operator gibt es noch keine Übersetzung. Es folgt der Originaltext unverändert.

タイル + online softmax の注意(FlashAttention の芯)→ tokens。近似ではない。

Dao ら 2022。key/value を `tile` 行ずつ読み、走っている最大値と分母をその場で

補正しながら足す。作る中間行列は (T, `tile`) だけで、(T, T) を一度も作らない ——

速さの出どころは近似ではなく、置き場所。`attention_softmax` との相対差は

タイル 128 枚でも 1.2e-15(タイル 1 枚で 8.2e-16 なので、枚数を 128 倍しても 1.5 倍)。

Args:

query: (T, d) float。

key: (S, d) float。

value: (S, dv) float。

tile: 一度に読む key/value の行数。小さいほど中間行列が小さく、枚数が増える。

mask: None / `"causal" / "window"` / (T, S) の bool 配列。

window: `mask="window"` のときの窓幅。

scale: スコアの倍率。None なら 1/√d。

Returns:

tokens (T, dv) float: `attention_softmax` と機械精度で一致する。

Ausführlicher Anwendungsleitfaden

• Leitfaden zur Familie llmcore

Referenzen (Beispieldaten, Literatur)

• Katalog der Beispieldaten (Download-URLs / Lizenzen) — 2-D nutzt skimage.data (BSD/Public Domain) plus synthetische Bilder, 3-D nennt Download-URLs echter Datenquellen (Stanford, PDS, …).

• Herkunft und Literatur der Operatoren — die Quellen der Forschung/Verfahren, auf denen diese Operatorfamilie beruht.

• Der kanonische Algorithmus (Autor, Jahr) und seine Anwendungen stehen im Familienleitfaden oben.

Ausführbare Beispiele (verifizierte Samples, die diesen Operator wirklich aufrufen)

• poc_attention_identities — py -3.11 examples/poc_attention_identities.py

Typkompatible Folge-Operatoren (nehmen `tokens` als Eingabe)

rms_norm · rope_rotate · attention_scores · attention_apply · attention_softmax · attention_linear · attention_grouped · kv_cache_decode

Gleiche Kategorie (`attend`)

attention_softmax · attention_linear · attention_grouped

*Provenance: llmcore.py — LLMCORE Operator-Registry. Diese Notiz wird von tools/opdocs.py md erzeugt (nicht von Hand bearbeiten).*

attention_tiled — LLMCORE attend op