功能描述

全量FA实现，实现对应公式：

$\text{[math]}$

接口原型

torch_npu.npu_prompt_flash_attention(Tensor query, Tensor key, Tensor value, *, Tensor? pse_shift=None, padding_mask=None, Tensor? atten_mask=None, int[]? actual_seq_lengths=None, Tensor? deq_scale1=None, Tensor? quant_scale1=None, Tensor? deq_scale2=None, Tensor? quant_scale2=None, Tensor? quant_offset2=None, int num_heads=1, float scale_value=1.0, int pre_tokens=2147473647, int next_tokens=0, str input_layout="BSH", int num_key_value_heads=0, int[]? actual_seq_lengths_kv=None, int sparse_mode=0) -> Tensor

参数说明

query、key、value数据排布格式支持从多种维度解读，其中B（Batch）表示输入样本批量大小、S（Seq-Length）表示输入样本序列长度、H（Head-Size）表示隐藏层的大小、N（Head-Num）表示多头数、D（Head-Dim）表示隐藏层最小的单元尺寸，且满足D=H/N、T表示所有Batch输入样本序列长度的累加和。

query：Tensor类型，公式中的输入Q，数据类型与key的数据类型需满足数据类型推导规则，即保持与key、value的数据类型一致。不支持非连续的Tensor，数据格式支持ND。
- Atlas 推理系列加速卡产品：数据类型支持float16。
- Atlas A2 训练系列产品/Atlas 800I A2 推理产品/A200I A2 Box 异构组件：数据类型支持float16、bfloat16、int8。
- Atlas A3 训练系列产品/Atlas A3 推理系列产品：数据类型支持float16、bfloat16、int8。
key：Tensor类型，公式中的输入K，数据类型与query的数据类型需满足数据类型推导规则，即保持与query、value的数据类型一致。不支持非连续的Tensor，数据格式支持ND。
- Atlas 推理系列加速卡产品：数据类型支持float16。
- Atlas A2 训练系列产品/Atlas 800I A2 推理产品/A200I A2 Box 异构组件：数据类型支持float16、bfloat16、int8。
- Atlas A3 训练系列产品/Atlas A3 推理系列产品：数据类型支持float16、bfloat16、int8。
value：Tensor类型，公式中的输入V，数据类型与query的数据类型需满足数据类型推导规则，即保持与query、key的数据类型一致。不支持非连续的Tensor，数据格式支持ND。
- Atlas 推理系列加速卡产品：数据类型支持float16。
- Atlas A2 训练系列产品/Atlas 800I A2 推理产品/A200I A2 Box 异构组件：数据类型支持float16、bfloat16、int8。
- Atlas A3 训练系列产品/Atlas A3 推理系列产品：数据类型支持float16、bfloat16、int8。

*：代表其之前的变量是位置相关，需要按照顺序输入，必选；之后的变量是键值对赋值的，位置无关，可选（不输入会使用默认值）。
pse_shift：Tensor类型，可选参数。不支持非连续的Tensor，数据格式支持ND。输入shape类型需为（B, N, Q_S, KV_S）或（1, N, Q_S, KV_S），其中Q_S为query的shape中的S，KV_S为key和value的shape中的S。对于pse_shift的KV_S为非32字节对齐的场景，建议padding到32字节来提高性能，多余部分的填充值不做要求。如不使用该功能时传入None。综合约束请见约束说明。
- Atlas 推理系列加速卡产品：暂不支持该参数。
- Atlas A2 训练系列产品/Atlas 800I A2 推理产品/A200I A2 Box 异构组件：数据类型支持float16、bfloat16。当pse_shift为float16时，要求query为float16或int8；当pse_shift为bfloat16时，要求query为bfloat16。在query、key、value为float16且pse_shift存在的情况下，默认走高精度模式。
- Atlas A3 训练系列产品/Atlas A3 推理系列产品：数据类型支持float16、bfloat16。当pse_shift为float16时，要求query为float16或int8；当pse_shift为bfloat16时，要求query为bfloat16。在query、key、value为float16且pse_shift存在的情况下，默认走高精度模式。
padding_mask：预留参数，暂未使用，默认值为None。
atten_mask：Tensor类型，代表下三角全为0上三角全为负无穷的倒三角mask矩阵，数据类型支持bool、int8和uint8。数据格式支持ND，不支持非连续的Tensor。如果不使用该功能传入None。通常建议shape输入(Q_S, KV_S)、(B, Q_S, KV_S)、(1, Q_S, KV_S)、(B, 1, Q_S, KV_S)、(1, 1, Q_S, KV_S)，其中Q_S为query的shape中的S，KV_S为key和value的shape中的S，对于attenMask的KV_S为非32字节对齐的场景，建议padding到32字节对齐来提高性能，多余部分填充成1。综合约束请见约束说明。
actual_seq_lengths：int类型数组，代表不同Batch中query的有效seqlen，数据类型支持int64。如果不指定seqlen可以传入None，表示和query的shape的s长度相同。限制：该入参中每个batch的有效seqlen应该不大于query中对应batch的seqlen。seqlen的传入长度为1时，每个Batch使用相同seqlen；传入长度大于等于Batch数时取seqlen的前Batch个数。其它长度不支持。
- Atlas 推理系列加速卡产品：暂不支持该参数，传入None。
- Atlas A2 训练系列产品/Atlas 800I A2 推理产品/A200I A2 Box 异构组件：支持TND格式。当query的input_layout为TND时，该入参必须传入，且以该入参元素的数量作为Batch值。该入参中每个元素的值表示当前Batch与之前所有Batch的seqlen和，因此后一个元素的值必须大于等于前一个元素的值，且不能出现负值。
- Atlas A3 训练系列产品/Atlas A3 推理系列产品：支持TND格式。当query的input_layout为TND时，该入参必须传入，且以该入参元素的数量作为Batch值。该入参中每个元素的值表示当前Batch与之前所有Batch的seqlen和，因此后一个元素的值必须大于等于前一个元素的值，且不能出现负值。
deq_scale1：Tensor类型，表示BMM1后面的反量化因子，支持per-tensor。数据类型支持uint64、float32，数据格式支持ND。如不使用该功能时可传入None。Atlas 推理系列加速卡产品暂不支持该参数。
quant_scale1：Tensor类型，数据类型支持float32。数据格式支持ND，表示BMM2前面的量化因子，支持per-tensor。如不使用该功能时可传入None。Atlas 推理系列加速卡产品暂不支持该参数。
deq_scale2：Tensor类型，数据类型支持uint64、float32。数据格式支持ND，表示BMM2后面的反量化因子，支持per-tensor。如不使用该功能时可传入None。Atlas 推理系列加速卡产品暂不支持该参数。
quant_scale2：Tensor类型，数据格式支持ND，表示输出的量化因子，支持per-tensor、per-channel。如不使用该功能时可传入None。
- Atlas 推理系列加速卡产品：暂不支持该参数。
- Atlas A2 训练系列产品/Atlas 800I A2 推理产品/A200I A2 Box 异构组件：数据类型支持float32、bfloat16。当输入为bfloat16时，同时支持float32和bfloat16 ，否则仅支持float32 。per-channel格式，当输出layout为BSH时，要求quant_scale2所有维度的乘积等于H；其他layout要求乘积等于N*D（建议输出layout为BSH时，quant_scale2 shape传入(1, 1, H)或(H,)；输出为BNSD时，建议传入(1, N, 1, D)或(N, D)；输出为BSND时，建议传入(1, 1, N, D)或(N, D)）。
- Atlas A3 训练系列产品/Atlas A3 推理系列产品：数据类型支持float32、bfloat16。当输入为bfloat16时，同时支持float32和bfloat16 ，否则仅支持float32 。per-channel格式，当输出layout为BSH时，要求quant_scale2所有维度的乘积等于H；其他layout要求乘积等于N*D（建议输出layout为BSH时，quant_scale2 shape传入(1, 1, H)或(H,)；输出为BNSD时，建议传入(1, N, 1, D)或(N, D)；输出为BSND时，建议传入(1, 1, N, D)或(N, D)）。
quant_offset2：Tensor类型，数据格式支持ND，表示输出的量化偏移，支持per-tensor、per-channel。若传入quant_offset2，需保证其类型和shape信息与quant_scale2一致。如不使用该功能时可传入None。
- Atlas 推理系列加速卡产品：暂不支持该参数。
- Atlas A2 训练系列产品/Atlas 800I A2 推理产品/A200I A2 Box 异构组件：数据类型支持float32、bfloat16。
- Atlas A3 训练系列产品/Atlas A3 推理系列产品：数据类型支持float32、bfloat16。
num_heads：int类型数组，代表query的head个数，数据类型支持int64。
scale_value：浮点型，公式中d开根号的倒数，代表缩放系数，作为计算流中Muls的scalar值，数据类型支持float。数据类型与query的数据类型需满足数据类型推导规则。用户不特意指定时可传入默认值1.0。
pre_tokens：int类型，用于稀疏计算，表示attention需要和前几个Token计算关联，数据类型支持int64。用户不特意指定时可传入默认值2147483647。Atlas 推理系列加速卡产品仅支持默认值2147483647。
next_tokens：int类型，用于稀疏计算，表示attention需要和后几个Token计算关联。数据类型支持int64。用户不特意指定时可传入默认值0。Atlas 推理系列加速卡产品仅支持0和2147483647。
input_layout：字符串类型，用于标识输入query、key、value的数据排布格式，当前支持BSH、BSND、BNSD、BNSD、BNSD_BSND（输入为BNSD时，输出格式为BSND）、TND（不支持pse、全量化、后量化）。用户不特意指定时可传入默认值"BSH"。
num_key_value_heads：int类型，代表key、value中head个数，用于支持GQA（Grouped-Query Attention，分组查询注意力）场景，数据类型支持int64。用户不特意指定时可传入默认值0，表示key/value和query的head个数相等。限制：需要满足num_heads整除num_key_value_heads，num_heads与num_key_value_heads的比值不能大于64，且在BSND、BNSD、BNSD_BSND场景下，需要与shape中的key/value的N轴shape值相同，否则报错。Atlas 推理系列加速卡产品仅支持默认值0。
actual_seq_lengths_kv：int类型数组，代表不同batch中key/value的有效seqlenKV。数据类型支持int64。限制：该入参中每个batch的有效seqlenKV应该不大于key/value中对应batch的seqlenKV。seqlenKV的传入长度为1时，每个Batch使用相同seqlenKV；传入长度大于等于Batch数时取seqlenKV的前Batch个数，其它长度不支持。
- Atlas 推理系列加速卡产品：暂不支持该参数，传入None。
- Atlas A2 训练系列产品/Atlas 800I A2 推理产品/A200I A2 Box 异构组件：支持TND格式。当key/value的input_layout为TND时，该入参必须传入，且以该入参元素的数量作为Batch值。该入参中每个元素的值表示当前Batch与之前所有Batch的seqlenKV和，因此后一个元素的值必须大于等于前一个元素的值，且不能出现负值
- Atlas A3 训练系列产品/Atlas A3 推理系列产品：支持TND格式。当key/value的input_layout为TND时，该入参必须传入，且以该入参元素的数量作为Batch值。该入参中每个元素的值表示当前Batch与之前所有Batch的seqlenKV和，因此后一个元素的值必须大于等于前一个元素的值，且不能出现负值。
sparse_mode：int类型，表示sparse的模式，数据类型支持int64。Atlas 推理系列加速卡产品仅支持默认值0。
- sparse_mode为0时，代表defaultMask模式，如果atten_mask未传入则不做mask操作，忽略preTokens和nextTokens（内部赋值为INT_MAX）；如果传入，则需要传入完整的atten_mask矩阵（S1 * S2），表示pre_tokens和next_tokens之间的部分需要计算。
- sparse_mode为1时，代表allMask。
- sparse_mode为2时，代表leftUpCausal模式的mask，需要传入优化后的atten_mask矩阵（2048*2048）。
- sparse_mode为3时，代表rightDownCausal模式的mask，均对应以左顶点为划分的下三角场景，需要传入优化后的atten_mask矩阵（2048*2048）。
- sparse_mode为4时，代表band模式的mask，需要传入优化后的atten_mask矩阵（2048*2048）。
- sparse_mode为5、6、7、8时，分别代表prefix、global、dilated、block_local，均暂不支持。用户不特意指定时可传入默认值0。综合约束请见约束说明。

输出说明

atten_out：Tensor类型，计算的最终结果，shape与query保持一致。

Atlas 推理系列加速卡产品：数据类型支持float16。
Atlas A2 训练系列产品/Atlas 800I A2 推理产品/A200I A2 Box 异构组件：数据类型支持float16、bfloat16、int8。
Atlas A3 训练系列产品/Atlas A3 推理系列产品：数据类型支持float16、bfloat16、int8。

约束说明

该接口仅在推理场景下使用。
该接口支持图模式（目前仅支持PyTorch 2.1版本）。
该接口与PyTorch配合使用时，需要保证CANN相关包与PyTorch相关包的版本匹配。
入参为空的处理：算子内部需要判断参数query是否为空，如果是空则直接返回。参数query不为空Tensor，参数key、value为空tensor(即S2为0)，则填充全零的对应shape的输出(填充attention_out)。attention_out为空Tensor时，AscendCLNN框架会处理。

query、key、value输入，功能使用限制如下：

产品型号	轴约束
Atlas 推理系列加速卡产品	支持B轴小于等于128。支持N轴小于等于256。支持S轴小于等于65535(64k)。支持D轴小于等于512。
Atlas A2 训练系列产品/Atlas 800I A2 推理产品/A200I A2 Box 异构组件 Atlas A3 训练系列产品/Atlas A3 推理系列产品	支持B轴小于等于65536(64k)，D轴32byte不对齐时仅支持到128。支持N轴小于等于256。 S支持小于等于20971520（20M）。长序列场景下，如果计算量过大可能会导致PFA算子执行超时（aicore error类型报错，errorStr为timeout or trap error），此场景下建议做S切分处理，注：这里计算量会受B、S、N、D等的影响，值越大计算量越大。典型的会超时的长序列(即B、S、N、D的乘积较大)场景包括但不限于： B=1，Q_N=20，Q_S=1048576，D = 256，KV_N=1，KV_S=1048576。 B=1，Q_N=2，Q_S=10485760，D = 256，KV_N=2，KV_S=10485760。 B=20，Q_N=1，Q_S=1048576，D = 256，KV_N=1，KV_S=1048576。 B=1，Q_N=10，Q_S=1048576，D = 512，KV_N=1，KV_S=1048576。支持D轴小于等于512。input_layout为BSH或者BSND时，要求N*D小于65535。 TND场景下query，key，value输入的综合限制： B=1，Q_N=20，Q_S=1048576，D = 256，KV_N=1，KV_S=1048576。 T小于等于65536; N等于8/16/32/64/128，且Q_N、K_N、V_N相等; Q_D、K_D等于192，V_D等于128/192; 数据类型仅支持BFLOAT16; sparse模式仅支持sparse=0且不传mask，或sparse=3且传入mask；当sparse=3时，要求每个batch单独的actualSeqLengths < actualSeqLengthsKv。

产品型号

轴约束

Atlas 推理系列加速卡产品

支持B轴小于等于128。
支持N轴小于等于256。
支持S轴小于等于65535(64k)。
支持D轴小于等于512。

Atlas A2 训练系列产品/Atlas 800I A2 推理产品/A200I A2 Box 异构组件

Atlas A3 训练系列产品/Atlas A3 推理系列产品

支持B轴小于等于65536(64k)，D轴32byte不对齐时仅支持到128。
支持N轴小于等于256。
S支持小于等于20971520（20M）。长序列场景下，如果计算量过大可能会导致PFA算子执行超时（aicore error类型报错，errorStr为timeout or trap error），此场景下建议做S切分处理，注：这里计算量会受B、S、N、D等的影响，值越大计算量越大。典型的会超时的长序列(即B、S、N、D的乘积较大)场景包括但不限于：
- B=1，Q_N=20，Q_S=1048576，D = 256，KV_N=1，KV_S=1048576。
- B=1，Q_N=2，Q_S=10485760，D = 256，KV_N=2，KV_S=10485760。
- B=20，Q_N=1，Q_S=1048576，D = 256，KV_N=1，KV_S=1048576。
- B=1，Q_N=10，Q_S=1048576，D = 512，KV_N=1，KV_S=1048576。
支持D轴小于等于512。input_layout为BSH或者BSND时，要求N*D小于65535。
TND场景下query，key，value输入的综合限制：
- B=1，Q_N=20，Q_S=1048576，D = 256，KV_N=1，KV_S=1048576。
- T小于等于65536;
- N等于8/16/32/64/128，且Q_N、K_N、V_N相等;
- Q_D、K_D等于192，V_D等于128/192;
- 数据类型仅支持BFLOAT16;
- sparse模式仅支持sparse=0且不传mask，或sparse=3且传入mask；
- 当sparse=3时，要求每个batch单独的actualSeqLengths < actualSeqLengthsKv。

参数sparse_mode当前仅支持值为0、1、2、3、4的场景，取其它值时会报错。
- sparse_mode=0时，atten_mask如果为None，则忽略入参pre_tokens、next_tokens（内部赋值为INT_MAX）。
- sparse_mode=2、3、4时，atten_mask的shape需要为(S, S)或(1, S, S)或(1, 1, S, S)，其中S的值需要固定为2048，且需要用户保证传入的atten_mask为下三角，不传入atten_mask或者传入的shape不正确报错。
- sparse_mode=1、2、3的场景忽略入参pre_tokens、next_tokens并按照相关规则赋值。
int8量化相关入参数量与输入、输出数据格式的综合限制：
- 输入为int8，输出为int8的场景：入参deq_scale1、quant_scale1、deq_scale2、quant_scale2需要同时存在，quant_offset2可选，不传时默认为0。
- 输入为int8，输出为float16的场景：入参deq_scale1、quant_scale1、deq_scale2需要同时存在，若存在入参quant_offset2或quant_scale2（即不为None），则报错并返回。
- 输入为float16或bfloat16，输出为int8的场景：入参quant_scale2需存在，quant_offset2可选，不传时默认为0，若存在入参deq_scale1或quant_scale1或deq_scale2（即不为None），则报错并返回。
- 入参quant_offset2和quant_scale2支持per-tensor/per-channel两种格式和float32/bfloat16两种数据类型。若传入quant_offset2，需保证其类型和shape信息与quant_scale2一致。当输入为bfloat16时，同时支持float32和bfloat16，否则仅支持float32。per-channel格式，当输出layout为BSH时，要求quant_scale2所有维度的乘积等于H；其他layout要求乘积等于N*D。当输出layout为BSH时，quant_scale2 shape建议传入(1, 1, H)或(H,)；当输出为BNSD时，建议传入(1, N, 1, D)或(N, D)；当输出为BSND时，建议传入(1, 1, N, D)或(N, D)。per-tensor格式，建议D轴对齐到32Byte。
- per-channel格式，入参quant_scale2和quant_offset2暂不支持左padding、Ring Attention或者D非32Byte对齐的场景。
- 输出为int8时，暂不支持sparse为band且pre_tokens/next_tokens为负数。
pse_shift功能使用限制如下：
- 支持query数据类型为float16或bfloat16或int8场景下使用该功能。
- query，key，value数据类型为float16且pse_shift存在时，强制走高精度模式，对应的限制继承自高精度模式的限制。
- Q_S需大于等于query的S长度，KV_S需大于等于key的S长度。
输出为int8，入参quant_offset2传入非None和非空tensor值，并且sparse_mode、pre_tokens和next_tokens满足以下条件，矩阵会存在某几行不参与计算的情况，导致计算结果误差，该场景会拦截：
- sparseMode=0，atten_mask如果非None，每个batch actual_seq_lengths-actual_seq_lengths_kv-pre_tokens>0或nextTokens<0时，满足拦截条件。
- sparseMode=1或2，不会出现满足拦截条件的情况。
- sparseMode=3，每个batch actual_seq_lengths_kv- actual_seq_lengths<0，满足拦截条件。
- sparseMode= 4，preTokens<0或每个batch next_tokens+actual_seq_lengths_kv-actual_seq_lengths<0时，满足拦截条件。
kv伪量化参数分离当前暂不支持。
暂不支持D不对齐场景。

支持的型号

Atlas A2 训练系列产品/Atlas 800I A2 推理产品/A200I A2 Box 异构组件
Atlas A3 训练系列产品/Atlas A3 推理系列产品
Atlas 推理系列加速卡产品

调用示例

单算子调用

import torch
import torch_npu
import math

# 生成随机数据，并发送到npu
q = torch.randn(1, 8, 164, 128, dtype=torch.float16).npu()
k = torch.randn(1, 8, 1024, 128, dtype=torch.float16).npu()
v = torch.randn(1, 8, 1024, 128, dtype=torch.float16).npu()
scale = 1/math.sqrt(128.0)
actseqlen = [164]
actseqlenkv = [1024]

# 调用PFA算子
out = torch_npu.npu_prompt_flash_attention(q, k, v, 
actual_seq_lengths = actseqlen, actual_seq_lengths_kv = actseqlenkv,
num_heads = 8, input_layout = "BNSD", scale_value=scale, pre_tokens=65535, next_tokens=65535)

# 执行上述代码的输出类似如下
tensor([[[[ 0.0219,  0.0201,  0.0049,  ...,  0.0118, -0.0011, -0.0140],
        [ 0.0294,  0.0256, -0.0081,  ...,  0.0267,  0.0067, -0.0117],
        [ 0.0285,  0.0296,  0.0011,  ...,  0.0150,  0.0056, -0.0062],
        ...,
        [ 0.0177,  0.0194, -0.0060,  ...,  0.0226,  0.0029, -0.0039],
        [ 0.0180,  0.0186, -0.0067,  ...,  0.0204, -0.0045, -0.0164],
        [ 0.0176,  0.0288, -0.0091,  ...,  0.0304,  0.0033, -0.0173]]]],
        device='npu:0', dtype=torch.float16)

图模式调用

# 入图方式
import torch
import torch_npu
import math

import torchair as tng

from torchair.configs.compiler_config import CompilerConfig
import torch._dynamo
TORCHDYNAMO_VERBOSE=1
TORCH_LOGS="+dynamo"

# 支持入图的打印宏
import logging
from torchair.core.utils import logger
logger.setLevel(logging.DEBUG)
config = CompilerConfig()
config.debug.graph_dump.type = "pbtxt"
npu_backend = tng.get_npu_backend(compiler_config=config)
from torch.library import Library, impl

# 数据生成
q = torch.randn(1, 8, 164, 128, dtype=torch.float16).npu()
k = torch.randn(1, 8, 1024, 128, dtype=torch.float16).npu()
v = torch.randn(1, 8, 1024, 128, dtype=torch.float16).npu()
scale = 1/math.sqrt(128.0)

class Model(torch.nn.Module):
    def __init__(self):
        super().__init__()
    def forward(self):
        return torch_npu.npu_prompt_flash_attention(q, k, v, num_heads = 8, input_layout = "BNSD", scale_value=scale, pre_tokens=65535, next_tokens=65535)
def MetaInfershape():
    with torch.no_grad():
        model = Model()
        model = torch.compile(model, backend=npu_backend, dynamic=False, fullgraph=True)
        graph_output = model()
    single_op = torch_npu.npu_prompt_flash_attention(q, k, v, num_heads = 8, input_layout = "BNSD", scale_value=scale, pre_tokens=65535, next_tokens=65535)
    print("single op output with mask:", single_op, single_op.shape)
    print("graph output with mask:", graph_output, graph_output.shape)
if __name__ == "__main__":
    MetaInfershape()

# 执行上述代码的输出类似如下
single op output with mask: tensor([[[[ 0.0219,  0.0201,  0.0049,  ...,  0.0118, -0.0011, -0.0140],
        [ 0.0294,  0.0256, -0.0081,  ...,  0.0267,  0.0067, -0.0117],
        [ 0.0285,  0.0296,  0.0011,  ...,  0.0150,  0.0056, -0.0062],
        ...,
        [ 0.0177,  0.0194, -0.0060,  ...,  0.0226,  0.0029, -0.0039],
        [ 0.0180,  0.0186, -0.0067,  ...,  0.0204, -0.0045, -0.0164],
        [ 0.0176,  0.0288, -0.0091,  ...,  0.0304,  0.0033, -0.0173]]]],
        device='npu:0', dtype=torch.float16) torch.Size([1, 8, 164, 128])

graph output with mask: tensor([[[[ 0.0219,  0.0201,  0.0049,  ...,  0.0118, -0.0011, -0.0140],
        [ 0.0294,  0.0256, -0.0081,  ...,  0.0267,  0.0067, -0.0117],
        [ 0.0285,  0.0296,  0.0011,  ...,  0.0150,  0.0056, -0.0062],
        ...,
        [ 0.0177,  0.0194, -0.0060,  ...,  0.0226,  0.0029, -0.0039],
        [ 0.0180,  0.0186, -0.0067,  ...,  0.0204, -0.0045, -0.0164],
        [ 0.0176,  0.0288, -0.0091,  ...,  0.0304,  0.0033, -0.0173]]]],
        device='npu:0', dtype=torch.float16) torch.Size([1, 8, 164, 128])