aclnnNsaSelectedAttention
支持的产品型号
Atlas A2 训练系列产品
函数原型
每个算子分为两段式接口，必须先调用“aclnnNsaSelectedAttentionGetWorkspaceSize”接口获取计算所需workspace大小以及包含了算子计算流程的执行器，再调用“aclnnNsaSelectedAttention”接口执行计算。
aclnnStatus aclnnNsaSelectedAttentionGetWorkspaceSize(const aclTensor *query, const aclTensor *key, const aclTensor *value, const aclTensor *topkIndices, const aclTensor *attenMaskOptional,const aclIntArray *actualSeqQLenOptional, const aclIntArray *actualSeqKvLenOptional, double scaleValue, int64_t headNum, char *inputLayout, int64_t sparseMode, int64_t selectedBlockSize, int64_t selectedBlockCount, const aclTensor *softmaxMaxOut, const aclTensor *softmaxSumOut, const aclTensor *attentionOut, uint64_t *workspaceSize, aclOpExecutor **executor)aclnnStatus aclnnNsaSelectedAttention(void *workspace, uint64_t workspaceSize, aclOpExecutor *executor, aclrtStream stream)
aclnnNsaSelectedAttentionGetWorkspaceSize
参数说明：
- query（aclTensor *，计算输入）：Device侧的aclTensor，公式中的query，数据类型支持BFLOAT16、FLOAT16，数据类型与
key/value的数据类型一致，数据格式支持ND；综合约束请见约束说明。 - key（aclTensor *，计算输入）：Device侧的aclTensor，公式中的key，数据类型支持BFLOAT16、FLOAT16，数据类型与
query/value的数据类型一致，数据格式支持ND；综合约束请见约束说明。 - value（aclTensor *，计算输入）：Device侧的aclTensor，公式中的value，数据类型支持BFLOAT16、FLOAT16，数据类型与
query/key的数据类型一致，数据格式支持ND；综合约束请见约束说明。 - topkIndices（aclTensor *，计算输入）：Device侧的aclTensor，公式中的topk_indices，shape需为[T_q, N_kv, selected_block_count], 表示所选数据的索引，数据类型支持INT32，数据格式支持ND，综合约束请见约束说明。
- attenMaskOptional（aclTensor *，计算输入）：Device侧的aclTensor，公式中的atten_mask，数据类型支持BOOL、UINT8取值为
true/1代表该位不参与计算（不生效），为false/0代表该位参与计算，数据格式支持ND，输入shape类型需为[S_q, S_kv]；综合约束请见约束说明。 - actualSeqQLenOptional（aclIntArray *，计算输入）：Host侧的aclIntArray，数据类型支持INT64，数据格式支持ND，长度等于batchsize。该数组表示
query每个Batch S的累加和长度，假设输入真实的S长度分别为[2,2,3,2]，则传入的actualSeqQLenOptional为[2,4,7,9]。在TND排布时需要输入，其余场景下输入nullptr。 - actualSeqKvLenOptional（aclIntArray *，计算输入）：Host侧的aclIntArray，数据类型支持INT64，数据格式支持ND，长度等于batchsize。该数组表示
key/value每个Batch S的累加和长度，假设输入真实的S长度分别为[1024,1024,1024,1024]，则传入的actualSeqKvLenOptional为[1024,2048,3072,4096]。在TND排布时需要输入，其余场景下输入nullptr。 - scaleValue（double，计算输入）：Host侧的double，公式中的scale，代表缩放系数，数据类型支持DOUBLE，一般设置为
D^-0.5，其中D为输入query的head维度。 - headNum（int64_t，计算输入）：Host侧的int64_t，代表head个数，即输入
query的N轴长度，数据类型支持INT64；综合约束请见约束说明。 - inputLayout（string *，计算输入）：Host侧的string，数据类型支持String，代表输入
query、key、value的数据排布格式，当前仅支持TND，其中T表示各batch S的长度累加和，N表示Head-Num，D表示Head-Dim。 - selectedBlockSize（int64_t，计算输入）：Host侧的int64_t，表示select的每个block长度。
- selectedBlockCount（int64_t，计算输入）：Host侧的int64_t，公式中的selected_block_count，表示select block的数量。
- sparseMode（int64_t，计算输入）：Host侧的int64_t，表示sparse的模式。数据类型支持INT32。目前支持sparseMode=0或者2。sparse不同模式的详细说明请参见sparse模式说明。
- softmaxMaxOut（aclTensor *，计算输出）：Device侧的aclTensor，Softmax计算的Max中间结果，用于反向计算。数据类型支持FLOAT，输出的shape类型为[T_q, N_q, 8]，数据格式支持ND。
- softmaxSumOut（aclTensor *，计算输出）：Device侧的aclTensor，Softmax计算的Sum中间结果，用于反向计算。数据类型支持FLOAT，输出的shape类型为[T_q, N_q, 8]，数据格式支持ND。
- attentionOut（aclTensor *，计算输出）：Device侧的aclTensor，计算公式的最终输出。数据类型支持BFLOAT16、FLOAT16，输出数据类型与
query保持一致, shape类型为[T_q, N_q, D_v]，数据格式支持ND。 - workspaceSize（uint64_t *，出参）：返回需要在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。
- query（aclTensor *，计算输入）：Device侧的aclTensor，公式中的query，数据类型支持BFLOAT16、FLOAT16，数据类型与
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）：1. query、key、value、attenMaskOptional、softmaxMaxOut、softmaxSumOut、attentionOut的数据类型和数据格式不在支持的范围内。 2. input_layout输入的类型不在支持的范围内。
aclnnNsaSelectedAttention
参数说明：
- workspace（void*，入参）：在Device侧申请的workspace内存地址。
- workspaceSize（uint64_t，入参）：在Device侧申请的workspace大小，由第一段接口aclnnNsaSelectedAttentionGetWorkspaceSize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。
约束说明
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。
输入query、key、value的batchsize必须相等，即要求传入的actualSeqQLenOptional和actualSeqKvLenOptional具有相同的长度。
输入query、key、value的D：Head-Dim必须满足（D_q == D_k && D_k >= D_v）。
输入query、key、value的数据类型必须一致。
输入query、key、value的input_layout必须一致。
sparseMode目前支持0和2。
selectedBlockSize目前仅支持64，与此对应的selectedBlockCount为16。
inputLayout目前仅支持TND。
支持输入query的N和key/value的N不相等，但必须成比例关系，即N_q / N_kv必须是非0整数，称为G（group），且需满足G <= 32。
当attenMaskOptional输入为nullptr时，sparseMode参数不生效，固定为全计算。
关于数据shape的约束，以inputLayout的TND举例（注：T等于各batch S的长度累加和。当各batch的S相等时，T=B*S）。其中：
- B（Batchsize）：取值范围为1~32。
- N（Head-Num）：取值范围为1~128。
- G（Group）：取值范围为1~32。
- S（Seq-Length）：取值范围为1~128K。同时需要满足S_kv >= selectedBlockSize * selectedBlockCount，且S_kv长度为selectedBlockSize的整数倍。
- D（Head-Dim）：D_qk=192，D_v=128。
调用示例
示例代码如下，仅供参考，具体编译和执行过程请参考编译与运行样例。
#include <iostream>
#include <cstdio>
#include <string>
#include <vector>
#include <fstream>
#include <sys/stat.h>
#include "acl/acl.h"
#include "aclnnop/aclnn_nsa_selected_attention.h"
#define CHECK_RET(cond, return_expr) \
do { \
if (!(cond)) { \
return_expr; \
} \
} while (0)
#define LOG_PRINT(message, ...) \
do { \
printf(message, ##__VA_ARGS__); \
} while (0)
int64_t GetShapeSize(const std::vector<int64_t> &shape)
{
int64_t shapeSize = 1;
for (auto i : shape) {
shapeSize *= i;
}
return shapeSize;
}
template <typename T> void CopyOutResult(int64_t outIndex, std::vector<int64_t> &shape, void **deviceAddr)
{
auto size = GetShapeSize(shape);
std::vector<T> resultData(size, 0);
auto ret = aclrtMemcpy(resultData.data(), resultData.size() * sizeof(resultData[0]), *deviceAddr,
size * sizeof(resultData[0]), ACL_MEMCPY_DEVICE_TO_HOST);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("copy result from device to host failed. ERROR: %d\n", ret); return);
if(outIndex == 2) {
for (int64_t i = 0; i < size; i++) {
LOG_PRINT("attention out result is: %f\n", i, resultData[i]);
}
}
}
int Init(int32_t deviceId, aclrtContext *context, aclrtStream *stream)
{
// 固定写法，AscendCL初始化
auto ret = aclInit(nullptr);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclInit failed. ERROR: %d\n", ret); return ret);
ret = aclrtSetDevice(deviceId);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtSetDevice failed. ERROR: %d\n", ret); aclFinalize(); return ret);
ret = aclrtCreateContext(context, deviceId);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtCreateContext failed. ERROR: %d\n", ret); aclrtResetDevice(deviceId);
aclFinalize(); return ret);
ret = aclrtSetCurrentContext(*context);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtSetCurrentContext failed. ERROR: %d\n", ret);
aclrtDestroyContext(context); aclrtResetDevice(deviceId); aclFinalize(); return ret);
ret = aclrtCreateStream(stream);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtCreateStream failed. ERROR: %d\n", ret);
aclrtDestroyContext(context); aclrtResetDevice(deviceId); aclFinalize(); return ret);
return 0;
}
template <typename T>
int CreateAclTensor(const std::vector<T> &hostData, const std::vector<int64_t> &shape, void **deviceAddr,
aclDataType dataType, aclTensor **tensor)
{
auto size = GetShapeSize(shape) * sizeof(T);
// 调用aclrtMalloc申请device侧内存
auto ret = aclrtMalloc(deviceAddr, size, ACL_MEM_MALLOC_HUGE_FIRST);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtMalloc failed. ERROR: %d\n", ret); return ret);
// 调用aclrtMemcpy将host侧数据拷贝到device侧内存上
ret = aclrtMemcpy(*deviceAddr, size, hostData.data(), size, ACL_MEMCPY_HOST_TO_DEVICE);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtMemcpy failed. ERROR: %d\n", ret); return ret);
// 计算连续tensor的strides
std::vector<int64_t> strides(shape.size(), 1);
for (int64_t i = static_cast<int64_t>(shape.size()) - 2; i >= 0; i--) {
strides[i] = shape[i + 1] * strides[i + 1];
}
// 调用aclCreateTensor接口创建aclTensor
*tensor = aclCreateTensor(shape.data(), shape.size(), dataType, strides.data(), 0, aclFormat::ACL_FORMAT_ND,
shape.data(), shape.size(), *deviceAddr);
return 0;
}
void FreeResource(aclTensor *q, aclTensor *k, aclTensor *v, aclTensor *attentionOut, aclTensor *softmaxMax,
aclTensor *softmaxSum, void *qDeviceAddr, void *kDeviceAddr, void *vDeviceAddr, void *attentionOutDeviceAddr,
void *softmaxMaxDeviceAddr, void *softmaxSumDeviceAddr, uint64_t workspaceSize, void *workspaceAddr,
int32_t deviceId, aclrtContext *context, aclrtStream *stream)
{
// 释放aclTensor和aclScalar，需要根据具体API的接口定义修改
if (q != nullptr) {
aclDestroyTensor(q);
}
if (k != nullptr) {
aclDestroyTensor(k);
}
if (v != nullptr) {
aclDestroyTensor(v);
}
if (attentionOut != nullptr) {
aclDestroyTensor(attentionOut);
}
if (softmaxMax != nullptr) {
aclDestroyTensor(softmaxMax);
}
if (softmaxSum != nullptr) {
aclDestroyTensor(softmaxSum);
}
// 释放device资源
if (qDeviceAddr != nullptr) {
aclrtFree(qDeviceAddr);
}
if (kDeviceAddr != nullptr) {
aclrtFree(kDeviceAddr);
}
if (vDeviceAddr != nullptr) {
aclrtFree(vDeviceAddr);
}
if (attentionOutDeviceAddr != nullptr) {
aclrtFree(attentionOutDeviceAddr);
}
if (softmaxMaxDeviceAddr != nullptr) {
aclrtFree(softmaxMaxDeviceAddr);
}
if (softmaxSumDeviceAddr != nullptr) {
aclrtFree(softmaxSumDeviceAddr);
}
if (workspaceSize > 0) {
aclrtFree(workspaceAddr);
}
if (stream != nullptr) {
aclrtDestroyStream(stream);
}
if (context != nullptr) {
aclrtDestroyContext(context);
}
aclrtResetDevice(deviceId);
aclFinalize();
}
int main()
{
// 1. （固定写法）device/context/stream初始化，参考AscendCL对外接口列表
// 根据自己的实际device填写deviceId
int32_t deviceId = 0;
aclrtContext context;
aclrtStream stream;
auto ret = Init(deviceId, &context, &stream);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("Init acl failed. ERROR: %d\n", ret); return ret);
// 2. 构造输入与输出，需要根据API的接口自定义构造
// 如果需要修改shape值，需要同步修改../scripts/fa_generate_data.py中 test_nsa_selected_attention 分支下生成
// query、key、value对应的shape值，并重新gen data，再执行
int64_t batch = 2;
int64_t s1 = 512;
int64_t s2 = 2048;
int64_t d1 = 192;
int64_t d2 = 128;
int64_t g = 4;
int64_t n2 = 4;
std::vector<int64_t> qShape = {batch * s1, n2 * g, d1};
std::vector<int64_t> kShape = {batch * s2, n2, d1};
std::vector<int64_t> vShape = {batch * s2, n2, d2};
std::vector<int64_t> topKIndicesShape = {batch * s1, n2, 16};
std::vector<int64_t> attentionOutShape = {batch * s1, n2 * g, d2};
std::vector<int64_t> softmaxMaxShape = {batch * s1, n2 * g, 8};
std::vector<int64_t> softmaxSumShape = {batch * s1, n2 * g, 8};
double scaleValue = 1.0;
int64_t headNum = 16;
int64_t selectedBlockSize = 64;
int64_t selectedBlockCount = 16;
int64_t sparseMod = 2;
char layOut[] = "TND";
void *qDeviceAddr = nullptr;
void *kDeviceAddr = nullptr;
void *vDeviceAddr = nullptr;
void *topKIndicesDeviceAddr = nullptr;
void *attentionOutDeviceAddr = nullptr;
void *softmaxMaxDeviceAddr = nullptr;
void *softmaxSumDeviceAddr = nullptr;
aclTensor *q = nullptr;
aclTensor *k = nullptr;
aclTensor *v = nullptr;
aclTensor *topKIndices = nullptr;
aclTensor *attenMaskOptional = nullptr;
aclTensor *softmaxMax = nullptr;
aclTensor *softmaxSum = nullptr;
aclTensor *attentionOut = nullptr;
std::vector<int64_t> actualSeqQLenVec = {512, 1024};
std::vector<int64_t> actualSeqKvLenVec = {2048, 4096};
aclIntArray *actualSeqQLenOptional = aclCreateIntArray(actualSeqQLenVec.data(), actualSeqQLenVec.size());
aclIntArray *actualSeqKvLenOptional = aclCreateIntArray(actualSeqKvLenVec.data(), actualSeqKvLenVec.size());
std::vector<aclFloat16> qHostData(GetShapeSize(qShape), 1);
std::vector<aclFloat16> kHostData(GetShapeSize(kShape), 1);
std::vector<aclFloat16> vHostData(GetShapeSize(vShape), 1);
std::vector<int32_t> topkIndicesHostData(GetShapeSize(topKIndicesShape), 2);
std::vector<float> attentionOutHostData(GetShapeSize(attentionOutShape), 0.0);
std::vector<float> softmaxMaxHostData(GetShapeSize(softmaxMaxShape), 0.0);
std::vector<float> softmaxSumHostData(GetShapeSize(softmaxSumShape), 0.0);
uint64_t workspaceSize = 0;
void *workspaceAddr = nullptr;
// 创建acl Tensor
ret = CreateAclTensor(qHostData, qShape, &qDeviceAddr, aclDataType::ACL_FLOAT16, &q);
CHECK_RET(ret == ACL_SUCCESS,
FreeResource(q, k, v, attentionOut, softmaxMax, softmaxSum, qDeviceAddr, kDeviceAddr, vDeviceAddr,
attentionOutDeviceAddr, softmaxMaxDeviceAddr, softmaxSumDeviceAddr, workspaceSize, workspaceAddr,
deviceId, &context, &stream);
return ret);
ret = CreateAclTensor(kHostData, kShape, &kDeviceAddr, aclDataType::ACL_FLOAT16, &k);
CHECK_RET(ret == ACL_SUCCESS,
FreeResource(q, k, v, attentionOut, softmaxMax, softmaxSum, qDeviceAddr, kDeviceAddr, vDeviceAddr,
attentionOutDeviceAddr, softmaxMaxDeviceAddr, softmaxSumDeviceAddr, workspaceSize, workspaceAddr,
deviceId, &context, &stream);
return ret);
ret = CreateAclTensor(vHostData, vShape, &vDeviceAddr, aclDataType::ACL_FLOAT16, &v);
CHECK_RET(ret == ACL_SUCCESS,
FreeResource(q, k, v, attentionOut, softmaxMax, softmaxSum, qDeviceAddr, kDeviceAddr, vDeviceAddr,
attentionOutDeviceAddr, softmaxMaxDeviceAddr, softmaxSumDeviceAddr, workspaceSize, workspaceAddr,
deviceId, &context, &stream);
return ret);
ret = CreateAclTensor(topkIndicesHostData, topKIndicesShape, &topKIndicesDeviceAddr, aclDataType::ACL_INT32, &topKIndices);
CHECK_RET(ret == ACL_SUCCESS,
FreeResource(q, k, v, attentionOut, softmaxMax, softmaxSum, qDeviceAddr, kDeviceAddr, vDeviceAddr,
attentionOutDeviceAddr, softmaxMaxDeviceAddr, softmaxSumDeviceAddr, workspaceSize, workspaceAddr,
deviceId, &context, &stream);
return ret);
ret = CreateAclTensor(attentionOutHostData, attentionOutShape, &attentionOutDeviceAddr, aclDataType::ACL_FLOAT16,
&attentionOut);
CHECK_RET(ret == ACL_SUCCESS,
FreeResource(q, k, v, attentionOut, softmaxMax, softmaxSum, qDeviceAddr, kDeviceAddr, vDeviceAddr,
attentionOutDeviceAddr, softmaxMaxDeviceAddr, softmaxSumDeviceAddr, workspaceSize, workspaceAddr,
deviceId, &context, &stream);
return ret);
ret = CreateAclTensor(softmaxMaxHostData, softmaxMaxShape, &softmaxMaxDeviceAddr, aclDataType::ACL_FLOAT,
&softmaxMax);
CHECK_RET(ret == ACL_SUCCESS,
FreeResource(q, k, v, attentionOut, softmaxMax, softmaxSum, qDeviceAddr, kDeviceAddr, vDeviceAddr,
attentionOutDeviceAddr, softmaxMaxDeviceAddr, softmaxSumDeviceAddr, workspaceSize, workspaceAddr,
deviceId, &context, &stream);
return ret);
ret = CreateAclTensor(softmaxSumHostData, softmaxSumShape, &softmaxSumDeviceAddr, aclDataType::ACL_FLOAT,
&softmaxSum);
CHECK_RET(ret == ACL_SUCCESS,
FreeResource(q, k, v, attentionOut, softmaxMax, softmaxSum, qDeviceAddr, kDeviceAddr, vDeviceAddr,
attentionOutDeviceAddr, softmaxMaxDeviceAddr, softmaxSumDeviceAddr, workspaceSize, workspaceAddr,
deviceId, &context, &stream);
return ret);
// 3. 调用CANN算子库API，需要修改为具体的API名称
aclOpExecutor *executor;
// 调用aclnnNsaSelectedAttention第一段接口
ret = aclnnNsaSelectedAttentionGetWorkspaceSize(
q, k, v, topKIndices, attenMaskOptional, actualSeqQLenOptional, actualSeqKvLenOptional, scaleValue, headNum,
layOut, sparseMod, selectedBlockSize, selectedBlockCount, softmaxMax, softmaxSum, attentionOut, &workspaceSize, &executor);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnNsaSelectedAttentionGetWorkspaceSize failed. ERROR: %d\n", ret);
FreeResource(q, k, v, attentionOut, softmaxMax, softmaxSum, qDeviceAddr, kDeviceAddr, vDeviceAddr,
attentionOutDeviceAddr, softmaxMaxDeviceAddr, softmaxSumDeviceAddr, workspaceSize, workspaceAddr,
deviceId, &context, &stream);
return ret);
// 根据第一段接口计算出的workspaceSize申请device内存
if (workspaceSize > 0) {
ret = aclrtMalloc(&workspaceAddr, workspaceSize, ACL_MEM_MALLOC_HUGE_FIRST);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("allocate workspace failed. ERROR: %d\n", ret);
FreeResource(q, k, v, attentionOut, softmaxMax, softmaxSum, qDeviceAddr, kDeviceAddr, vDeviceAddr,
attentionOutDeviceAddr, softmaxMaxDeviceAddr, softmaxSumDeviceAddr, workspaceSize, workspaceAddr,
deviceId, &context, &stream);
return ret);
}
// 调用aclnnNsaSelectedAttention第二段接口
ret = aclnnNsaSelectedAttention(workspaceAddr, workspaceSize, executor, stream);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnNsaSelectedAttention failed. ERROR: %d\n", ret);
FreeResource(q, k, v, attentionOut, softmaxMax, softmaxSum, qDeviceAddr, kDeviceAddr, vDeviceAddr,
attentionOutDeviceAddr, softmaxMaxDeviceAddr, softmaxSumDeviceAddr, workspaceSize, workspaceAddr,
deviceId, &context, &stream);
return ret);
// 4. （固定写法）同步等待任务执行结束
ret = aclrtSynchronizeStream(stream);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtSynchronizeStream failed. ERROR: %d\n", ret);
FreeResource(q, k, v, attentionOut, softmaxMax, softmaxSum, qDeviceAddr, kDeviceAddr, vDeviceAddr,
attentionOutDeviceAddr, softmaxMaxDeviceAddr, softmaxSumDeviceAddr, workspaceSize, workspaceAddr,
deviceId, &context, &stream);
return ret);
// 5. 获取输出的值，将device侧内存上的结果拷贝至host侧，需要根据具体API的接口定义修改
CopyOutResult<float>(0, softmaxMaxShape, &softmaxMaxDeviceAddr);
CopyOutResult<float>(1, softmaxSumShape, &softmaxSumDeviceAddr);
CopyOutResult<aclFloat16>(2, attentionOutShape, &attentionOutDeviceAddr);
// 6. 释放aclTensor和aclScalar，需要根据具体API的接口定义修改; 释放device资源
FreeResource(q, k, v, attentionOut, softmaxMax, softmaxSum, qDeviceAddr, kDeviceAddr, vDeviceAddr,
attentionOutDeviceAddr, softmaxMaxDeviceAddr, softmaxSumDeviceAddr, workspaceSize, workspaceAddr,
deviceId, &context, &stream);
return 0;
}