aclnnPromptFlashAttentionV2

接口原型

每个算子分为两段式接口，必须先调用“aclnnPromptFlashAttentionV2GetWorkspaceSize”接口获取入参并根据计算流程计算所需workspace大小，再调用“aclnnPromptFlashAttentionV2”接口执行计算。

• aclnnStatus aclnnPromptFlashAttentionV2GetWorkspaceSize(const aclTensor *query, const aclTensor *key, const aclTensor *value, const aclTensor *paddingMask, const aclTensor *attenMask, const aclIntArray *actualSeqLengths, const aclIntArray *actualSeqLengthsKv, const aclTensor *deqScale1, const aclTensor *quantScale1, const aclTensor *deqScale2, const aclTensor *quantScale2, const aclTensor *quantOffset2, int64_t numHeads, double scaleValue, int64_t preTokens, int64_t nextTokens, char *inputLayout, int64_t numKeyValueHeads, int64_t sparseMode, const aclTensor *attentionOut, uint64_t *workspaceSize, aclOpExecutor **executor)
• aclnnStatus aclnnPromptFlashAttentionV2(void *workspace, uint64_t workspaceSize, aclOpExecutor *executor, const aclrtStream stream)

功能描述

• 算子功能：全量推理场景的FlashAttention算子，相较于aclnnPromptFlashAttention接口，此接口新增了支持sparse优化、支持actualSeqLengthsKv优化、支持int8量化功能。
• 计算公式：

  self-attention（自注意力）利用输入样本自身的关系构建了一种注意力模型。其原理是假设有一个长度为n的输入样本序列x，x的每个元素都是一个d维向量，可以将每个d维向量看作一个token embedding，将这样一条序列经过3个权重矩阵变换得到3个维度为n*d的矩阵。

  self-attention的计算公式一般定义如下，其中Q、K、V为输入样本的重要属性元素，是输入样本经过空间变换得到，且可以统一到一个特征空间中。公式及算子名称中的"Attention"为"self-attention"的简写。

  

  本算子中Score函数采用Softmax函数，self-attention计算公式为：

  

  其中Q和K^T的乘积代表输入x的注意力，为避免该值变得过大，通常除以d的开根号进行缩放，并对每行进行softmax归一化，与V相乘后得到一个n*d的矩阵。

aclnnPromptFlashAttentionV2GetWorkspaceSize

• 参数说明：
  • query（aclTensor*，计算输入）：Device侧的aclTensor，公式中的输入Q，数据类型支持FLOAT16、BFLOAT16、INT8，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。
  • key（aclTensor*，计算输入）：Device侧的aclTensor，公式中的输入K，数据类型支持FLOAT16、BFLOAT16、INT8，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。
  • value（aclTensor*，计算输入）：Device侧的aclTensor，公式中的输入V，数据类型支持FLOAT16、BFLOAT16、INT8，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。
  • paddingMask（aclTensor*，计算输入）：该参数暂不支持。Device侧的aclTensor，数据类型支持FLOAT16、BOOL，数据类型与query的数据类型需满足数据类型推导规则。不支持非连续的Tensor，数据格式支持ND。如不使用该功能时可传入nullptr。
  • attenMask（aclTensor*，计算输入）：Device侧的aclTensor，代表下三角全为0上三角全为负无穷的倒三角mask矩阵，不支持非连续的Tensor，数据类型支持BOOL。数据格式支持ND。如不使用该功能时可传入nullptr。限制：其shape支持S,S;B,S,S;1,S,S;B,1,S,S；1,1,S,S；attenMask只支持数据类型BOOL。综合约束请见约束与限制章节。
  • actualSeqLengths（aclIntArray*，计算输入）：Host侧的aclIntArray，代表不同Batch中query的有效Sequence Length，数据类型支持INT64。如果不指定seqlen可以转入nullptr，表示和query的shape的s长度相同。限制：该入参中每个batch的有效Sequence Length应该不大于query中对应batch的Sequence Length；inputLayout为SH格式时，该入参各Batch的有效Sequence Length之和需要等于query的shape中的S。
  • actualSeqLengthsKv（aclIntArray*，计算输入）：Host侧的aclIntArray，可传入nullptr，代表不同batch中key/value的有效Sequence Length。数据类型支持：INT64。限制：该入参中每个batch的有效Sequence Length应该不大于key/value中对应batch的Sequence Length。限制：inputLayout为SH格式时，actualSeqLengthsKv参数无效（若传入非空指针，则告警且忽略此参数）。
  • deqScale1（aclTensor*，计算输入）：Device侧的aclTensor，数据类型支持：UINT64。数据格式支持ND（参考），表示BMM1后面反量化的量化因子，支持pre-tensor（scalar）。 如不使用该功能时可传入nullptr。
  • quantScale1（aclTensor*，计算输入）：Device侧的aclTensor，数据类型支持：FLOAT。数据格式支持ND（参考），表示BMM2前面量化的量化因子，支持pre-tensor（scalar）。 如不使用该功能时可传入nullptr。
  • deqScale2（aclTensor*，计算输入）：Device侧的aclTensor，数据类型支持：UINT64。数据格式支持ND（参考），表示BMM2后面量化的量化因子，支持pre-tensor（scalar）。 如不使用该功能时可传入nullptr。
  • quantScale2（aclTensor*，计算输入）：Device侧的aclTensor，数据类型支持：FLOAT。数据格式支持ND（参考），表示输出量化的量化因子，支持pre-tensor（scalar）。 如不使用该功能时可传入nullptr。
  • quantOffset2（aclTensor*，计算输入）：Device侧的aclTensor，数据类型支持：FLOAT。数据格式支持ND（参考），表示输出量化的量化偏移，支持pre-tensor（scalar）。 如不使用该功能时可传入nullptr。
  • numHeads（int64_t，计算输入）：Host侧的int，代表query的head个数，数据类型支持INT64。
  • scaleValue（double，计算输入）：Host侧的double，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DOUBLE。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。
  • preTokens（int64_t，计算输入）：Host侧的int，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:214748647，当前不支持负数。
  • nextTokens（int64_t，计算输入）：Host侧的int，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，当前不支持负数。
  • inputLayout（char*，计算输入）：Host侧的字符指针CHAR*，用于标识输入query、key、value的数据排布格式，当前支持BSH、BNSD、NSD、SH。用户不特意指定时可传入默认值:"BSH”。限制：inputLayout为SH格式时，不支持S不等长场景（即不支持query与key/value的S不相等）。
    

    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。

  • numKeyValueHeads（int64_t，计算输入）：Host侧的int，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，表示和key/value的head个数相等。限制：在BNSD/NSD场景下，需要与shape中的key/value的N轴shape值相同，且需要满足numHeads整除numKeyValueHeads，否则报错。
  • sparseMode（int64_t，计算输入）：Host侧的int，表示sparse的模式。数据类型支持：INT64。sparseMode为0时，代表defaultMask模式，如果attenmask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attenmask矩阵（S1 * S2），表示preTokens和nextTokens之间的部分需要计算。
    • sparseMode为为1时，代表allMask，暂不支持。
    • sparseMode为2时，代表leftUpCausal模式的mask，对应以左顶点为划分的下三角场景，需要传入优化后的attenmask矩阵（2048*2048）。
    • sparseMode为为3、4、5、6、7、8时，分别代表rightDownCausal、band、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。综合约束请见约束与限制章节。
  • attentionOut（aclTensor*，计算输出）：Device侧的aclTensor，公式中的输出，数据类型支持FLOAT16、BFLOAT16、INT8。数据格式支持ND。限制：该入参的shape需要与入参query的shape保持一致。
  • workspaceSize（uint64_t*，出参）：返回用户需要在Device侧申请的workspace大小。
  • executor（aclOpExecutor**，出参）：返回op执行器，包含了算子计算流程。
• 返回值：

  返回aclnnStatus状态码，具体参见aclnn返回码。

  

  第一段接口完成入参校验，若出现以下错误码，则对应原因为：

  • 返回161001（ACLNN_ERR_PARAM_NULLPTR）：如果传入参数是必选输入、输出或者必选属性，且是空指针，则返回161001。
  • 返回161002（ACLNN_ERR_PARAM_INVALID）：query、key、value、paddingMask、attenMask、attentionOut的数据类型和数据格式不在支持的范围内。

aclnnPromptFlashAttentionV2

• 参数说明：
  • workspace（void*，入参）：在Device侧申请的workspace内存起址。
  • workspaceSize（uint64_t，入参）：在Device侧申请的workspace大小，由aclnnPromptFlashAttentionV2GetWorkspaceSize获取。
  • executor（aclOpExecutor*，入参）：op执行器，包含了算子计算流程。
  • stream（aclrtStream，入参）：指定执行任务的AscendCL stream流。
• 返回值：

  返回aclnnStatus状态码，具体参见aclnn返回码。

约束与限制

• 参数inputLayout为"B,S,H"时，Q的实际输入维度可以为2或者3。Q的实际输入维度为2时，Q按照"S,H"处理，actualSeqLengths未传入则默认B=1。actualSeqLengthsKv未传入则默认B=1,传入则需要和actualSeqLengths的dim一致。
• 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。其余在上述参数说明中标注了"可传入nullptr"的入参为空指针时，不进行处理。
• 参数sparseMode当前仅支持值为0或2的场景，取其它值时会报错。sparseMode =0时，attenMask如果为空指针，则忽略入参preTokens、nextTokens(内部赋值为INT_MAX)。sparseMode = 2时，attenMask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attenMask为下三角，不传入attenMask或者传入的shape不正确报错，此场景忽略入参preTokens、nextTokens并按照相关规则赋值。
• D（Head-Dim：表示隐藏层最小的单元尺寸)不以16对齐时，入参query、key、value的数据类型只支持FLOAT16。入参query、key、value的数据类型为INT8时，D必须以32对齐。
• int8量化相关入参数量与输入、输出数据格式的综合限制：
  1. 输入为INT8，输出为INT8的场景：入参deqScale1、quantScale1、deqScale2、quantScale2、quantOffset2需要同时存在。
  2. 输入为INT8，输出为FLOAT16的场景：入参deqScale1、quantScale1、deqScale2需要同时存在，若存在入参quantScale2、quantOffset2时（即不为nullptr），则忽略入参quantScale2、quantOffset2。