aclnnGroupedMatmulSwigluQuant

产品支持情况

[object Object]undefined

功能说明

• 接口功能：融合GroupedMatmul 、dquant、swiglu和quant，详细解释见计算公式。

• 计算公式：

  • 量化场景（A8W8）：

    • 定义：

      • ⋅ 表示矩阵乘法。
      • ⊙ 表示逐元素乘法。
      • $\left \lfloor x\right \rceil$ 表示将x四舍五入到最近的整数。
      • $\mathbb{Z_8} = \{ x \in \mathbb{Z} | −128≤x≤127 \}$
      • $\mathbb{Z_{32}} = \{ x \in \mathbb{Z} | -2147483648≤x≤2147483647 \}$

    • 输入：

      • $X∈\mathbb{Z_8}^{M \times K}$：输入矩阵（左矩阵），M是总token 数，K是特征维度。
      • $W∈\mathbb{Z_8}^{E \times K \times N}$：分组权重矩阵（右矩阵），E是专家个数，K是特征维度，N是输出维度。
      • $w\_scale∈\mathbb{R}^{E \times N}$：分组权重矩阵（右矩阵）的逐通道缩放因子，E是专家个数，N是输出维度。
      • $x\_scale∈\mathbb{R}^{M}$：输入矩阵（左矩阵）的逐 token缩放因子，M是总token 数。
      • $grouplist∈\mathbb{N}^{E}$：前缀和的分组索引列表。

    • 输出：

      • $Q∈\mathbb{Z_8}^{M \times N / 2}$：量化后的输出矩阵。
      • $Q\_scale∈\mathbb{R}^{M}$：量化缩放因子。

    • 计算过程

      • 1.根据groupList[i]确定当前分组的 token ，$i \in [0,Len(groupList)]$。

        [object Object]

      • 2.根据分组确定的入参进行如下计算：

        $C_{i} = (X_{i}\cdot W_{i} )\odot x\_scale_{i\ BroadCast} \odot w\_scale_{i\ BroadCast}$

        $C_{i,act}, gate_{i} = split(C_{i})$

        $S_{i}=Swish(C_{i,act})\odot gate_{i}$   其中$Swish(x)=\frac{x}{1+e^{-x}}$

      • 3.量化输出结果

        $Q\_scale_{i} = \frac{max(|S_{i}|)}{127}$

        $Q_{i} = \left \lfloor \frac{S_{i}}{Q\_scale_{i}}\right \rceil$

  ---

  • MSD伪量化场景（A8W4）：
    • 定义：
      • ⋅ 表示矩阵乘法。
      • ⊙ 表示逐元素乘法。
      • $\left \lfloor x\right \rceil$ 表示将x四舍五入到最近的整数。
      • $\mathbb{Z_8} = \{ x \in \mathbb{Z} | −128≤x≤127 \}$
      • $\mathbb{Z_4} = \{ x \in \mathbb{Z} | −8≤x≤7 \}$
      • $\mathbb{Z_{32}} = \{ x \in \mathbb{Z} | -2147483648≤x≤2147483647 \}$
    • 输入：
      • $X∈\mathbb{Z_8}^{M \times K}$：输入矩阵（左矩阵），M是总token 数，K是特征维度。
      • $W∈\mathbb{Z_4}^{E \times K \times N}$：分组权重矩阵（右矩阵），E是专家个数，K是特征维度，N是输出维度。
      • $bias∈\mathbb{R}^{E \times N}$：计算矩阵乘时的辅助矩阵（生成辅助矩阵的计算过程间下文）。
      • $w\_scale∈\mathbb{R}^{E \times K\_group\_num \times N}$：分组权重矩阵（右矩阵）的逐通道缩放因子，E是专家个数，K_group_num 是在K轴维度上的分组数，N是输出维度。
      • $x\_scale∈\mathbb{R}^{M}$：输入矩阵（左矩阵）的逐token缩放因子，M是总token 数。
      • $grouplist∈\mathbb{N}^{E}$：前缀和的分组索引列表。
    • 输出：
      • $Q∈\mathbb{Z_8}^{M \times N / 2}$：量化后的输出矩阵。
      • $Q\_scale∈\mathbb{R}^{M}$：量化缩放因子。
    • 计算过程

      • 1.根据groupList[i]确定当前分组的 token ，$i \in [0,Len(groupList)]$。

        • 分组逻辑与A8W8相同。

      • 2.生成辅助矩阵（bias）的计算过程（请注意bias部分计算为离线生成作为输入，并非算子内部完成）：

        • 当为per-channel量化（$w\_scale$为2维）：

          $bias_{i} = 8 × weightScale × Σ_{k=0}^{K-1} weight[:,k,:]$

        • 当为per-group量化（$w\_scale$为3维）：

          $bias_{i} = 8 × Σ_{k=0}^{K-1} (weight[:,k,:] × weightScale[:, ⌊k/num\_per\_group⌋, :])$

          注：$num\_per\_group = K // K\_group\_num$

      • 3.根据分组确定的入参进行如下计算：

        • 3.1.将左矩阵$\mathbb{Z_8}$，转变为高低位 两部分的$\mathbb{Z_4}$ $X\_high\_4bits_{i} = \lfloor \frac{X_{i}}{16} \rfloor$ $X\_low\_4bits_{i} = X_{i} \& 0x0f - 8$

        • 3.2.做矩阵乘时，使能per-channel或per-group量化 per-channel：

          $C\_high_{i} = (X\_high\_4bits_{i} \cdot W_{i}) \odot w\_scale_{i}$

          $C\_low_{i} = (X\_low\_4bits_{i} \cdot W_{i}) \odot w\_scale_{i}$

          per-group：

          $C\_high_{i} = \\ Σ_{k=0}^{K-1}((X\_high\_4bits_{i}[:, k * num\_per\_group : (k+1) * num\_per\_group] \cdot W_{i}[k * num\_per\_group : (k+1) * num\_per\_group, :]) \odot w\_scale_{i}[k, :] )$

          $C\_low_{i} = \\ Σ_{k=0}^{K-1}((X\_low\_4bits_{i}[:, k * num\_per\_group : (k+1) * num\_per\_group] \cdot W_{i}[k * num\_per\_group : (k+1) * num\_per\_group, :]) \odot w\_scale_{i}[k, :] )$

        • 3.3.将高低位的矩阵乘结果还原为整体的结果

          $C_{i} = (C\_high_{i} * 16 + C\_low_{i} + bias_{i}) \odot x\_scale_{i}$

          $C_{i,act}, gate_{i} = split(C_{i})$

          $S_{i}=Swish(C_{i,act})\odot gate_{i}$    其中$Swish(x)=\frac{x}{1+e^{-x}}$

      • 3.量化输出结果

        $Q\_scale_{i} = \frac{max(|S_{i}|)}{127}$

        $Q_{i} = \left \lfloor \frac{S_{i}}{Q\_scale_{i}}\right \rceil$

函数原型

每个算子分为，必须先调用“aclnnGroupedMatmulSwigluQuantGetWorkspaceSize”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“aclnnGroupedMatmulSwigluQuant”接口执行计算。

• [object Object]
• [object Object]

aclnnGroupedMatmulSwigluQuantGetWorkspaceSize

• 参数说明：

  • x（aclTensor*，计算输入）：左矩阵，公式中的$X$，Device侧的aclTensor。shape支持2维，假设shape为[M,K]，则K必须小于65536，数据类型支持INT8，支持ND，支持。

  • weight（aclTensor*，计算输入）：权重矩阵，公式中的$W$，Device侧的aclTensor。shape支持3维，数据类型支持INT8、INT4、INT32（INT32为适配用途，实际1个INT32会被解释为8个INT4数据），支持FRACTAL_NZ，支持。

  • bias（aclTensor*，计算输入）：计算矩阵乘时的辅助矩阵，公式中的$bias$，shape支持2维，数据类型支持fp32，仅A8W4场景生效，A8W8场景需传空指针。

  • offset（aclTensor*，计算输入）：per-channel非对称反量化的偏移，公式中的$offset$，shape支持2维，数据类型支持Float，预留输入，暂不支持，需要传空指针。

  • weightScale（aclTensor*，计算输入）：右矩阵的量化因子，公式中的$w\_scale$，Device侧的aclTensor。首轴长度需与[object Object]的首轴维度相等，尾轴长度需要与weight还原为ND格式的尾轴相同，支持ND，支持。

    • A8W4场景：shape支持2或3维，数据类型支持UINT64。
    • A8W8场景：shape支持2维，数据类型支持FLOAT、FLOAT16、BFLOAT16。

  • xScale（aclTensor*，计算输入）：左矩阵的量化因子，公式中的$x\_scale$，Device侧的aclTensor。shape支持1维，长度需与[object Object]的首轴维度相等，数据类型支持FLOAT，支持ND，支持。

  • groupList（aclTensor*，计算输入）：指示每个分组参与计算的Token个数，公式中的$grouplist$，Device侧的aclTensor。shape支持1维，长度需与[object Object]的首轴维度相等，数据类型支持INT64，支持ND，支持，grouplist中的最后一个值约束了输出数据的有效部分，详见功能说明中的计算过程部分。

  • output（aclTensor*，计算输出）：输出的量化结果，公式中的$Q$，Device侧的aclTensor。数据类型支持INT8，shape支持2维，Device侧的aclTensor。支持ND，支持。

  • outputScale（aclTensor*，计算输出）：输出的量化因子，公式中的$Q\_scale$，Device侧的aclTensor。数据类型支持FLOAT，shape支持1维，Device侧的aclTensor。支持ND，支持。

  • outputOffset（aclTensor*，计算输出）：输出的非对称量化的偏移，公式中的$Q\_offset$，Device侧的aclTensor，shape支持1维，数据类型支持FLOAT，预留输入，暂不支持，需要传空指针。

  • workspaceSize（uint64_t*，出参）：返回用户需要在npu device侧申请的workspace大小。

  • executor（aclOpExecutor**，计算输出）：返回op执行器，包含了算子计算流程。

• 返回值：

  aclnnStatus：返回状态码，具体参见。

  [object Object]

aclnnGroupedMatmulSwigluQuant

• 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aclnnGroupedMatmulSwigluQuantGetWorkspaceSize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Stream。

• 返回值：

  aclnnStatus：返回状态码，具体参见。

约束说明

• 仅支持内部使用，支持特定shape

调用示例

• aclnn单算子调用方式

通过aclnn单算子调用示例代码如下，仅供参考，具体编译和执行过程请参考。