torch_npu.contrib.module.LinearA8W8Quant

功能描述

LinearA8W8Quant是对torch_npu接口torch_npu.npu_quant_matmul的封装类，完成A8W8量化算子的矩阵乘计算。

接口原型

torch_npu.contrib.module.LinearA8W8Quant(in_features, out_features, *, bias=True, offset=False, pertoken_scale=False, output_dtype=None)

参数说明

in_features（计算参数）：int类型，matmul计算中k轴的值。
out_features（计算参数）：int类型，matmul计算中n轴的值。
bias（计算参数）：bool类型，代表是否需要bias计算参数。如果设置成False，则bias不会加入量化matmul的计算。
offset（计算参数）：bool类型，代表是否需要offset计算参数。如果设置成False，则offset不会加入量化matmul的计算。
pertoken_scale（计算参数）：bool类型，代表是否需要pertoken_scale计算参数。如果设置成False，则pertoken_scale不会加入量化matmul的计算。Atlas 推理系列产品当前不支持pertoken_scale。
output_dtype（计算参数）：ScalarType类型，表示输出Tensor的数据类型，支持输入torch.int8，torch.float16, torch.bfloat16。默认值为None，代表输出Tensor数据类型为INT8。Atlas 推理系列产品只支持output_dtype为torch.int8（含None，下同）和torch.float16。

输入说明

x1（计算输入）：Device侧的Tensor类型，数据类型支持INT8。数据格式支持ND，shape最少是2维，最多是6维。

变量说明

weight（变量）：Device侧的Tensor类型，矩阵乘中的weight。数据格式支持INT8。数据格式支持ND，shape为(batch, n, k)。
scale（变量）：Device侧的Tensor类型，量化计算的scale。数据类型支持FLOAT32，INT64，BFLOAT16。数据格式支持ND，shape是1维(t,)，t=1或n，其中n与weight的n一致。如需传入INT64数据类型的scale，需要提前调用torch_npu.npu_trans_quant_param接口来获取INT64数据类型的scale。
offset（变量）：Device侧的Tensor类型，量化计算的offset。可选参数。数据类型支持FLOAT32，数据格式支持ND，shape是1维(t,)，t=1或n，其中n与weight的n一致。
pertoken_scale（变量）：Device侧的Tensor类型，可选参数。量化计算的pertoken。数据类型支持FLOAT32，数据格式支持ND，shape是1维(m,)，其中m与x1的m一致。Atlas 推理系列产品当前不支持pertoken_scale。
bias（变量）：Device侧的Tensor类型，可选参数。矩阵乘中的bias。数据类型支持INT32，BFLOAT16。数据格式支持ND，shape支持1维(n,)或3维(batch,1,n)，n与weight的n一致。bias 3维(batch,1,n)只出现在out为3维的场景下，同时batch值需要等于x1，weight boardcast后推导出的batch值。
output_dtype（变量）：Device侧的ScalarType类型，可选参数。表示输出Tensor的数据类型，支持输入torch.int8，torch.float16, torch.bfloat16。默认值为None，代表输出Tensor数据类型为INT8。Atlas 推理系列产品只支持输出类型为torch.int8（含None，下同）和torch.float16。

输出说明

一个Tensor类型的输出，代表量化matmul的计算结果：

如果output_dtype为torch.float16，输出的数据类型为FLOAT16。
如果output_dtype为torch.bfloat16，输出的数据类型为BFLOAT16。
如果output_dtype为torch.int8或者None，输出的数据类型为INT8。

如果output_dtype非以上数据类型，返回错误码。

约束说明

该融合算子仅在推理场景使用。
x1、weight、scale不能是空。
x1、weight、bias、scale、offset、pertoken_scale的数据类型和数据格式需要在支持的范围之内。
x1、weight的shape需要在2-6维范围。
scale、offset的shape需要为1维(t,)，t=1或n，n与x2的n一致。
pertoken_scale的shape需要为1维(m,)，m与x1的m一致。
bias的shape支持1维(n,)或3维(batch,1,n)，n与weight的n一致，batch值需要等于x1，weight boardcast后推导出的batch值。shape在out是2,4,5,6维情况下需要为1维，在out是3维情况下可以为1维或3维。
output_dtype与scale的关系：
- output_dtype为torch.bfloat16时，scale需要为BFLOAT16或FLOAT32数据类型的Tensor。
- output_dtype为torch.float16或torch.int8，并且在pertoken_scale为空时，scale可为FLOAT32或INT64数据类型的Tensor。
- output_dtype为torch.float16且pertoken_scale不为空时，scale必须为FLOAT32。
bias为BFLOAT16数据类型时，output_dtype需要为torch.bfloat16。
pertoken_scale仅支持FLOAT32，目前仅在输出FLOAT16和BFLOAT16场景下可不为空。且Atlas 推理系列产品当前不支持pertoken_scale。
offset不为空时，output_dtype仅支持torch.int8。
在pertoken为空的场景下使用模型进行计算前，scale变量在非Atlas 推理系列产品单算子模式下需要通过调用torch air仓里面的tng.experimental.inference.use_internal_format_weight(model)或者npu_trans_quant_param进行量化参数预处理，不然会增加额外的量化参数转换耗时。调用方式可参考示例代码。
x1与x2最后一维的shape大小不能超过65535。
Atlas 推理系列产品下需要调用tng.experimental.inference.use_internal_format_weight(model)或npu_format_cast可以完成输入x2(batch, n, k)高性能数据排布功能。
Atlas A2训练系列产品/Atlas 800I A2推理产品需要调用npu_format_cast可以完成输入x2(batch, n, k)高性能数据排布功能，但不推荐使用该module方式，推荐npu_quant_matmul。

支持的型号

Atlas 推理系列产品
Atlas A2训练系列产品/Atlas 800I A2推理产品

调用示例

单算子调用

Atlas 推理系列产品

在单算子模式下不支持使能高带宽的x2数据排布，因此不能调用use_internal_format_weight，如果想追求极致性能，请使用图模式

import torch
import torch_npu
import logging
import os
from torch_npu.contrib.module import LinearA8W8Quant
x1 = torch.randint(-1, 1, (1, 512), dtype=torch.int8).npu()
x2 = torch.randint(-1, 1, (128, 512), dtype=torch.int8).npu()
scale = torch.randn(1, dtype=torch.float32).npu()
offset = torch.randn(128, dtype=torch.float32).npu()
bias = torch.randint(-1,1, (128,), dtype=torch.int32).npu()
in_features = 512
out_features = 128
output_dtype = torch.int8
model = LinearA8W8Quant(in_features, out_features, bias=True, offset=True, output_dtype=output_dtype)
model = model.npu()
model.weight.data = x2
model.scale.data = scale
model.offset.data = offset
model.bias.data = bias
// 接口内部调用npu_trans_quant_param功能
output = model(x1)

Atlas A2训练系列产品/Atlas 800I A2推理产品

import torch
import torch_npu
import logging
import os
from torch_npu.contrib.module import LinearA8W8Quant
x1 = torch.randint(-1, 1, (1, 512), dtype=torch.int8).npu()
x2 = torch.randint(-1, 1, (128, 512), dtype=torch.int8).npu()
scale = torch.randn(1, dtype=torch.float32).npu()
offset = torch.randn(128, dtype=torch.float32).npu()
bias = torch.randint(-1,1, (128,), dtype=torch.int32).npu()
in_features = 512
out_features = 128
output_dtype = torch.int8
model = LinearA8W8Quant(in_features, out_features, bias=True, offset=True, output_dtype=output_dtype)
model = model.npu()
model.weight.data = x2
model.scale.data = scale
model.offset.data = offset
model.bias.data = bias
output = model(x1)

图模式调用（图模式目前仅支持PyTorch 2.1版本）

import torch
import torch_npu
import torchair as tng
from torchair.ge_concrete_graph import ge_apis as ge
from torchair.configs.compiler_config import CompilerConfig
from torch_npu.contrib.module import LinearA8W8Quant
import logging
from torchair.core.utils import logger
logger.setLevel(logging.DEBUG)
import os
import numpy as np
os.environ["ENABLE_ACLNN"] = "true"
config = CompilerConfig()
npu_backend = tng.get_npu_backend(compiler_config=config)
x1 = torch.randint(-1, 1, (1, 512), dtype=torch.int8).npu()
x2 = torch.randint(-1, 1, (128, 512), dtype=torch.int8).npu()
scale = torch.randn(1, dtype=torch.float32).npu()
offset = torch.randn(128, dtype=torch.float32).npu()
bias = torch.randint(-1,1, (128,), dtype=torch.int32).npu()
in_features = 512
out_features = 128
output_dtype = torch.int8
model = LinearA8W8Quant(in_features, out_features, bias=True, offset=True, output_dtype=output_dtype)
model = model.npu()
model.weight.data = x2
model.scale.data = scale
model.offset.data = offset
if output_dtype != torch.bfloat16:
    # 包含npu_trans_quant_param功能，Atlas 推理系列产品还包含使能高带宽的x2数据排布功能
    tng.experimental.inference.use_internal_format_weight(model)
model.bias.data = bias
model = torch.compile(model, backend=npu_backend, dynamic=False)
output = model(x1)

父主题： torch_npu.contrib