[object Object]

[object Object][object Object]undefined[object Object]

• 接口功能：sparse_flash_attention（SFA）是针对大序列长度推理场景的高效注意力计算模块，该模块通过“只计算关键部分”大幅减少计算量，然而会引入大量的离散访存，造成数据搬运时间增加，进而影响整体性能。

• 计算公式：

$$\text{softmax}(\frac{Q@\tilde{K}^T}{\sqrt{d_k}})@\tilde{V}$$

其中$\tilde{K},\tilde{V}$为基于某种选择算法（如[object Object]）得到的重要性较高的Key和Value，一般具有稀疏或分块稀疏的特征，$d_k$为$Q,\tilde{K}$每一个头的维度。

[object Object]

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

[object Object]

• 参数说明：

[object Object]

[object Object]

• 返回值：

  aclnnStatus：返回状态码，具体参见。

  第一段接口会完成入参校验，出现以下场景时报错：

  [object Object]

[object Object][object Object]

• 返回值：

  aclnnStatus：返回状态码，具体参见。

[object Object]

• 该接口支持推理场景下使用。
• 该接口支持图模式。
• N1支持1/2/4/8/16/32/64/128。
• block_size为一个block的token数，block_size取值为16的倍数，且最大支持1024。
• 参数query中的D和key、value的D值相等为512，参数query_rope中的Dr和key_rope的Dr值相等为64。
• 参数query、key、value的数据类型必须保持一致。
• 支持sparse_block_size整除block_size。

[object Object]

示例代码如下，仅供参考，具体编译和执行过程请参考。