attention_tiled — LLMCORE `attend` op

• 데이터 종류: tokens × tokens × tokens → tokens

• 호출: import fullseye as fs; fs.ledger.attention_tiled(query, key, value, tile: 'int' = 64, mask=None, window=None, scale=None) -> 'np.ndarray'(구현을 직접 호출하려면 import llmcore; llmcore.attention_tiled(query, key, value, tile: 'int' = 64, mask=None, window=None, scale=None) -> 'np.ndarray', 원장에서 가져오려면 opsllmcore.get("attention_tiled"))

사용법

> 이 연산자의 설명은 아직 번역이 없습니다. 원문을 그대로 싣습니다.

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。

자세한 사용 가이드

• llmcore 패밀리 가이드

참고(샘플 데이터·문헌)

• 샘플 데이터 카탈로그(DL URL / 라이선스) —— 2-D 는 skimage.data(BSD/public)+ 합성, 3-D 는 실데이터 소스(Stanford/PDS 등)의 DL URL.

• 연산자의 내력·참고문헌 —— 이 연산자 족의 바탕이 된 연구/기법의 출처.

• 알고리즘의 정전(저자·연도)과 용도는 위의 패밀리 사용 가이드에 적혀 있습니다.

실행 가능한 예제(이 연산자를 실제로 호출하는 검증된 샘플)

• poc_attention_identities — py -3.11 examples/poc_attention_identities.py

타입이 이어지는 다음 연산자(`tokens` 를 입력으로 받는 것)

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

같은 카테고리(`attend`)

attention_softmax · attention_linear · attention_grouped

*Provenance: llmcore.py — LLMCORE 연산자 레지스트리. 이 op 노트는 tools/opdocs.py md 가 자동 생성합니다(직접 편집하지 마세요).*

attention_tiled — LLMCORE attend op

사용법