aclnnFusedInferAttentionScoreV5

产品支持情况

[object Object]undefined

功能说明

• 接口功能：适配decode & prefill场景的FlashAttention算子，既可以支持prefill计算场景（PromptFlashAttention），也可支持decode计算场景（IncreFlashAttention）。相比于FusedInferAttentionScoreV4，本接口新增qStartIdxOptional、kvStartIdxOptional、pseType参数。

  说明：

  [object Object]

• 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。

  $$Attention(Q,K,V)=Score(Q,K)V$$

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

  $$Attention(Q,K,V)=Softmax(\frac{QK^T}{\sqrt{d}})V$$

  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。

  说明：

  [object Object]

函数原型

算子执行接口为，必须先调用“aclnnFusedInferAttentionScoreV5GetWorkspaceSize”接口获取入参并根据计算流程计算所需workspace大小，再调用“aclnnFusedInferAttentionScoreV5”接口执行计算。

aclnnFusedInferAttentionScoreV5GetWorkspaceSize

• 参数说明：

  [object Object]

• 返回值：

  返回aclnnStatus状态码，具体参见。

  第一段接口完成入参校验，出现以下场景时报错：

  [object Object]

aclnnFusedInferAttentionScoreV5

• 参数说明：

  [object Object]

• 返回值：

  返回aclnnStatus状态码，具体参见。

约束说明

• 确定性计算：

  • aclnnFusedInferAttentionScoreV5默认确定性实现。

• 公共约束

  • 入参为空的场景处理：
    • 空Tensor指必选输入和输出的shapeSize为0。在空Tensor场景下，若attentionOut为空，返回空，否则返回全0；若有lse且lse为空时返回空，lse不为空则返回全inf。非空Tensor时输入正常拦截。
    • query，attentionOut所有tensor的shapeSize为0，属于空Tensor。
    • query，attentionOut所有tensor的shapeSize不为0，若有lse且lse不为空，并且key，value中所有tensor的shapeSize为0，属于空Tensor。
    • attentionOut和lse都为空时，属于空Tensor。
    • 属于空Tensor时，跳过校验流程；否则，走正常校验流程。
  • BNSD_BSND、BSH_BNSD、BSND_BNSD、BSH_NBSD、BSND_NBSD、BNSD_NBSD场景下的综合限制：
    • 当query的d等于512时：
      • 仅支持BSH_NBSD、BSND_NBSD、BNSD_NBSD;
      • 仅支持decode mla场景，要求queryRope和keyRope不等于空，queryRope和keyRope的d为64;
    • 当query的d不等于512时：
      • 仅支持BNSD_BSND、BSH_BNSD、BSND_BNSD;
      • 支持prefill mla或gqa非量化场景，其中prefill mla场景需满足下述条件之一：
        • query的d等于128，queryRope和keyRope不等于空，queryRope和keyRope的d为64;
        • query的d等于192，queryRope和keyRope等于空。
      • gqa非量化场景，NTD、NTD_TND仅支持D=64或D=128;
  • TND、NTD、TND_NTD、NTD_TND场景下query，key，value输入的综合限制：
    • 当query的d等于512时：
      • 仅支持TND、TND_NTD;
      • 仅支持decode mla场景，要求queryRope和keyRope不等于空，queryRope和keyRope的d为64;
      • 不支持左padding、tensorlist、pseType=0、prefix、伪量化。
    • 当query的d不等于512时：
      • 仅支持TND、NTD、NTD_TND;
      • 支持prefill mla或gqa非量化场景，其中prefill mla场景需满足下述条件之一：
        • query的d等于128，queryRope和keyRope不等于空，queryRope和keyRope的d为64;
        • query的d等于192，queryRope和keyRope等于空。
      • gqa非量化场景，NTD、NTD_TND仅支持D=64或D=128;
      • 不支持左padding、tensorlist、pseType=0、prefix、伪量化。

• [object Object][object Object]通用场景

  [object Object]

• [object Object][object Object]PseShift

  [object Object]

• [object Object][object Object]Mask

  [object Object]

• [object Object][object Object]ActualSeqLen

  [object Object]

• [object Object][object Object]伪量化参数约束

  [object Object]

• [object Object][object Object]PagedAttention

  [object Object]

• [object Object][object Object]INT8/FP8量化相关入参数量与输入、输出的综合限制

  [object Object]

• [object Object][object Object]左padding

  [object Object]

• [object Object][object Object]Prefix

  [object Object]

• [object Object][object Object]MLA场景（queryRope和keyRope输入不为空时）

  [object Object]

• qkv FP8 per-block全量化

  [object Object]

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。