需要你对MHA、MQA、GQA有足够了解，相信本文能帮助你对MLA有新的认识。

本文内容都来自https://www.youtube.com/watch?v=0VLAoVGf_74，如果阅读本文出现问题，建议直接去看一遍。

        按照Deepseek设定一些参数值：输入token长度n=10，注意力头数目n_h=128，每个注意力头的隐含层维度d_h=128，transformer block层数 l =61，使用fp16存储参数。

        先来看MHA的kv-cache计算：

(第一个2是因为要保存K和V，第二个2是因为fp16占2bit)

        MQA和GQA的思路是通过不同注意力头之间共享参数，减少注意力头数目n_h来达到降低开销的目的。

        这样的问题是参数的共享会导致模型效果下降，毕竟原本有128个头，128份KV参数，每份KV参数都会计算出不一样的注意力分布，让模型能更好的根据所有的注意力分布去预测下一个词，而现在128份参数变成了1份，预测效果下降是必然的。

        如何解决这个问题？如何只保留1份参数，但又能计算出128个不同的注意力分布呢？

        MLA给出的答案是，只保留原本128分参数中共有的部分，而每份参数独有的部分则提取出来，不进行保存。

        这里就碰到了MLA第一个比较难理解的点，就是怎么找出128个W_K的共有部分和独有部分？(只以K为例，V也是一样的) 

        答案是不用去找，而是从一开始就用两个矩阵，分别去学习共有部分和独有部分。也就是下图中的W_DKV和W_UK，其中W_DKV学习共有部分，W_UK学习独有部分。也就是说128个注意力头，会共用W_DKV，但是每个注意力头的W_UK是独有的，这样保证了128个注意力头能计算出128个不同的注意力分布。

这里就会碰到MLA第二个比较难理解的点，为什么最后kv-cache只用保存L_KV，而不用保存K和V？

答案是根本就不存在K和V，MLA很巧妙的利用矩阵乘法，把W_UK与W_Q融合，把W_UV和W_O融合。至于为什么能这样做，可以从公式中找出答案。

说不存在W_UK和W_UV其实并不严谨，但是这样可以更方便去理解，其实这里所谓的把W_UK与W_Q融合是指输入先经过W_Q，紧跟着就经过W_UK，从结果上来看，跟先把W_UK与W_Q相乘得到W_QUK，然后输入经过W_QUK的效果是一样的。

        原本，加入W_DKV后，注意力的计算公式为：

 

        按照矩阵运算，上述公式可以写成下述形式：

        我们完全可以将视作一个矩阵，它和W_Q并没有什么本质区别，只是维度需要调整（当然实际实现上还是两个矩阵，分开来学习）。从上式中，我们发现注意力计算公式中的K消失了。

        然后是最终输出O的计算：

        同理，这样就能把W_V融进W_O中，我们能够发现，最终输出的计算公式中，V也消失了。

        最后的效果如下图，我们需要保存的只有L_KV，它是128个注意力头共用的，所以只需要保存一份，存储开销计算如下，整个计算公式中完全不需要考虑注意力头数目：

        开销降低40/0.7，约57倍，也就是deepseek技术报告中公布的压缩倍数。