torch_npu.npu_weight_quant_batchmatmul

功能描述

该接口用于实现矩阵乘计算中weight输入和输出的量化操作，支持per-tensor、per-channel、per-group多场景量化。

不同产品支持的量化算法不同，如表1所示。

表1 支持的量化场景
产品型号	量化方式
Atlas 推理系列产品	per-tensor、per-channel
Atlas A2 训练系列产品/Atlas 800I A2 推理产品/A200I A2 Box 异构组件	per-tensor、per-channel、per-group
Atlas A3 训练系列产品/Atlas A3 推理系列产品	per-tensor、per-channel、per-group

接口原型

torch_npu.npu_weight_quant_batchmatmul(Tensor x, Tensor weight, Tensor antiquant_scale, Tensor? antiquant_offset=None, Tensor? quant_scale=None, Tensor? quant_offset=None, Tensor? bias=None, int antiquant_group_size=0, int inner_precise=0) -> Tensor

参数说明

x : Tensor类型，即矩阵乘中的x。数据格式支持ND，支持带transpose的非连续的Tensor，支持输入维度为两维(M, K) 。
- Atlas 推理系列产品：数据类型支持float16。
- Atlas A2 训练系列产品/Atlas 800I A2 推理产品/A200I A2 Box 异构组件：数据类型支持float16、bfloat16。
- Atlas A3 训练系列产品/Atlas A3 推理系列产品：数据类型支持float16、bfloat16。
weight：Tensor类型，即矩阵乘中的weight。支持带transpose的非连续的Tensor，支持输入维度为两维(K, N)，维度需与x保持一致。当数据格式为ND时，per-channel场景下为提高性能推荐使用transpose后的weight输入。
- Atlas 推理系列产品：数据类型支持int8。数据格式支持ND、FRACTAL_NZ，其中FRACTAL_NZ格式只在“图模式”有效，需依赖接口torch_npu.npu_format_cast完成ND到FRACTAL_NZ的转换，可参考调用示例。
- Atlas A2 训练系列产品/Atlas 800I A2 推理产品/A200I A2 Box 异构组件：数据类型支持int8、int32（通过int32承载int4的输入，可参考torch_npu.npu_convert_weight_to_int4pack调用示例）。数据格式支持ND、FRACTAL_NZ。
- Atlas A3 训练系列产品/Atlas A3 推理系列产品：数据类型支持int8、int32（通过int32承载int4的输入，可参考torch_npu.npu_convert_weight_to_int4pack调用示例）。数据格式支持ND、FRACTAL_NZ。
antiquant_scale：Tensor类型，反量化的scale，用于weight矩阵反量化，数据格式支持ND。支持带transpose的非连续的Tensor。antiquant_scale支持的shape与量化方式相关：
- per_tensor模式：输入shape为(1,)或(1, 1)。
- per_channel模式：输入shape为(1, N)或(N,)。
- per_group模式：输入shape为(ceil(K, antiquant_group_size), N)。
antiquant_scale支持的dtype如下：
- Atlas 推理系列产品：数据类型支持float16，其数据类型需与x保持一致。
- Atlas A2 训练系列产品/Atlas 800I A2 推理产品/A200I A2 Box 异构组件：数据类型支持float16、bfloat16、int64。
  - 若输入为float16、bfloat16，其数据类型需与x保持一致。
  - 若输入为int64，x数据类型必须为float16且不带transpose输入，同时weight数据类型必须为int8、数据格式为ND、带transpose输入，可参考调用示例。此时只支持per-channel场景，M范围为[1, 96]，且K和N要求64对齐。
- Atlas A3 训练系列产品/Atlas A3 推理系列产品：数据类型支持float16、bfloat16、int64。
  - 若输入为float16、bfloat16，其数据类型需与x保持一致。
  - 若输入为int64，x数据类型必须为float16且不带transpose输入，同时weight数据类型必须为int8、数据格式为ND、带transpose输入，可参考调用示例。此时只支持per-channel场景，M范围为[1, 96]，且K和N要求64对齐。
antiquant_offset：Tensor类型，反量化的offset，用于weight矩阵反量化。可选参数，默认值为None，数据格式支持ND，支持带transpose的非连续的Tensor，支持输入维度为两维(1, N)或一维(N, )、(1, )。
- Atlas 推理系列产品：数据类型支持float16，其数据类型需与antiquant_scale保持一致。
- Atlas A2 训练系列产品/Atlas 800I A2 推理产品/A200I A2 Box 异构组件：数据类型支持float16、bfloat16、int32。per-group场景shape要求为(ceil_div(K, antiquant_group_size), N)。
  - 若输入为float16、bfloat16，其数据类型需与antiquant_scale保持一致。
  - 若输入为int32，antiquant_scale的数据类型必须为int64。
- Atlas A3 训练系列产品/Atlas A3 推理系列产品：数据类型支持float16、bfloat16、int32。per-group场景shape要求为(ceil_div(K, antiquant_group_size), N)。
  - 若输入为float16、bfloat16，其数据类型需与antiquant_scale保持一致。
  - 若输入为int32，antiquant_scale的数据类型必须为int64。
quant_scale：Tensor类型，量化的scale，用于输出矩阵的量化，可选参数，默认值为None，仅在weight格式为ND时支持。数据类型支持float32、int64，数据格式支持ND，支持输入维度为两维(1, N)或一维(N, )、(1, )。当antiquant_scale的数据类型为int64时，此参数必须为空。
- Atlas 推理系列产品：暂不支持此参数。
quant_offset: Tensor类型，量化的offset，用于输出矩阵的量化，可选参数，默认值为None，仅在weight格式为ND时支持。数据类型支持float32，数据格式支持ND，支持输入维度为两维(1, N)或一维(N, )、(1, )。当antiquant_scale的数据类型为int64时，此参数必须为空。
- Atlas 推理系列产品：暂不支持此参数。
bias：Tensor类型，即矩阵乘中的bias，可选参数，默认值为None，数据格式支持ND，不支持非连续的Tensor，支持输入维度为两维(1, N)或一维(N, )、(1, )。
- Atlas 推理系列产品：数据类型支持float16。
- Atlas A2 训练系列产品/Atlas 800I A2 推理产品/A200I A2 Box 异构组件：数据类型支持float16、float32。当x数据类型为bfloat16，bias需为float32；当x数据类型为float16，bias需为float16。
- Atlas A3 训练系列产品/Atlas A3 推理系列产品：数据类型支持float16、float32。当x数据类型为bfloat16，bias需为float32；当x数据类型为float16，bias需为float16。
antiquant_group_size：int类型，用于控制per-group场景下group大小，其他量化场景不生效。可选参数。默认值为0，per-group场景下要求传入值的范围为[32, K-1]且必须是32的倍数。
- Atlas 推理系列产品：暂不支持此参数。
inner_precise: int类型，计算模式选择，默认为0。0表示高精度模式，1表示高性能模式，可能会影响精度。当weight以int32类型且以FRACTAL_NZ格式输入，M不大于16的per-group场景下可以设置为1，提升性能。其他场景不建议使用高性能模式。

输出说明

输出为Tensor类型，代表计算结果。当输入存在quant_scale时输出数据类型为int8，当输入不存在quant_scale时输出数据类型和输入x一致。

约束说明

该接口仅在推理场景下使用。
该接口支持图模式（目前仅支持PyTorch 2.1版本）。当输入weight为FRACTAL_NZ格式时暂不支持单算子调用，只支持图模式调用。
x和weight后两维必须为(M, K)和(K, N)格式，K、N的范围为[1, 65535]；在x为非转置时，M的范围为[1, 2^31-1]，在x为转置时，M的范围为[1, 65535]。
不支持空Tensor输入。
antiquant_scale和antiquant_offset的输入shape要保持一致。
quant_scale和quant_offset的输入shape要保持一致，且quant_offset不能独立于quant_scale存在。
如需传入int64数据类型的quant_scale，需要提前调用torch_npu.npu_trans_quant_param接口将数据类型为float32的quant_scale和quant_offset转换为数据类型为int64的quant_scale输入，可参考调用示例。
当输入weight为FRACTAL_NZ格式且类型为int32时，per-channel场景需满足weight为转置输入；per-group场景需满足x为转置输入，weight为非转置输入，antiquant_group_size为64或128，K为antiquant_group_size对齐，N为64对齐。
不支持输入weight shape为(1, 8)且类型为int4，同时weight带有transpose的场景，否则会报错x矩阵和weight矩阵K轴不匹配，该场景建议走非量化算子获取更高精度和性能。

支持的型号

Atlas A2 训练系列产品/Atlas 800I A2 推理产品/A200I A2 Box 异构组件
Atlas A3 训练系列产品/Atlas A3 推理系列产品
Atlas 推理系列产品

调用示例

单算子模式调用

weight非transpose+quant_scale场景，仅支持如下产品：

Atlas A2 训练系列产品/Atlas 800I A2 推理产品/A200I A2 Box 异构组件
Atlas A3 训练系列产品/Atlas A3 推理系列产品

import torch
import torch_npu
# 输入int8+ND 
cpu_x = torch.randn((8192, 320),dtype=torch.float16)
cpu_weight = torch.randint(low=-8, high=8, size=(320, 256),dtype=torch.int8)
cpu_antiquantscale = torch.randn((1, 256),dtype=torch.float16)
cpu_antiquantoffset = torch.randn((1, 256),dtype=torch.float16)
cpu_quantscale = torch.randn((1, 256),dtype=torch.float32)
cpu_quantoffset = torch.randn((1, 256),dtype=torch.float32)
quantscale= torch_npu.npu_trans_quant_param(cpu_quantscale.npu(), cpu_quantoffset.npu())
npu_out = torch_npu.npu_weight_quant_batchmatmul(cpu_x.npu(), cpu_weight.npu(), cpu_antiquantscale.npu(), cpu_antiquantoffset.npu(),quantscale.npu())

weight transpose+antiquant_scale场景

import torch
import torch_npu
# 输入int8+ND 
cpu_x = torch.randn((96, 320),dtype=torch.float16)
cpu_weight = torch.randint(low=-8, high=8, size=(256, 320),dtype=torch.int8)
cpu_antiquantscale = torch.randn((256,1),dtype=torch.float16)
cpu_antiquantoffset = torch.randint(-128, 127, (256,1), dtype=torch.float16)
npu_out = torch_npu.npu_weight_quant_batchmatmul(cpu_x.npu(), cpu_weight.npu().transpose(-1, -2), cpu_antiquantscale.npu().transpose(-1, -2), cpu_antiquantoffset.npu().transpose(-1, -2))

weight transpose+antiquant_scale场景，仅支持如下产品：

Atlas A2 训练系列产品/Atlas 800I A2 推理产品/A200I A2 Box 异构组件
Atlas A3 训练系列产品/Atlas A3 推理系列产品
Atlas 推理系列产品

import torch
import torch_npu
cpu_x = torch.randn((96, 320),dtype=torch.float16)
cpu_weight = torch.randint(low=-8, high=8, size=(256, 320),dtype=torch.int8)
cpu_antiquantscale = torch.randn((256),dtype=torch.float16)
# 构建int64类型的scale参数
antiquant_scale = torch_npu.npu_trans_quant_param(cpu_antiquantscale.to(torch.float32).npu()).reshape(256, 1)
cpu_antiquantoffset = torch.randint(-128, 127, (256, 1), dtype=torch.int32)
npu_out = torch_npu.npu_weight_quant_batchmatmul(cpu_x.npu(), cpu_weight.transpose(-1,-2).npu(), antiquant_scale.transpose(-1,-2).npu(), cpu_antiquantoffset.transpose(-1,-2).npu())

图模式调用

weight输入为ND格式

# 图模式
import torch
import torch_npu
import  torchair as tng
from torchair.configs.compiler_config import CompilerConfig
config = CompilerConfig()
config.debug.graph_dump.type = "pbtxt"
npu_backend = tng.get_npu_backend(compiler_config=config)

cpu_x = torch.randn((8192, 320),device='npu',dtype=torch.bfloat16)
cpu_weight = torch.randint(low=-8, high=8, size=(320, 256), dtype=torch.int8, device='npu')
cpu_antiquantscale = torch.randn((1, 256),device='npu',dtype=torch.bfloat16)
cpu_antiquantoffset = torch.randn((1, 256),device='npu',dtype=torch.bfloat16)

class MyModel(torch.nn.Module):
    def __init__(self):
        super().__init__()

    def forward(self, x, weight, antiquant_scale, antiquant_offset, quant_scale,quant_offset, bias, antiquant_group_size):
        return torch_npu.npu_weight_quant_batchmatmul(x, weight, antiquant_scale, antiquant_offset, quant_scale ,quant_offset, bias, antiquant_group_size)

cpu_model = MyModel()
model = cpu_model.npu()
model = torch.compile(cpu_model, backend=npu_backend, dynamic=True)
npu_out = model(cpu_x.npu(), cpu_weight.npu(), cpu_antiquantscale.npu(), cpu_antiquantoffset.npu(), None, None, None, 0)

Atlas 推理系列产品：weight输入为FRACTAL_NZ格式

import torch_npu
import torch
from torchair.configs.compiler_config import CompilerConfig
import torchair as tng
config = CompilerConfig()
config.debug.graph_dump.type = "pbtxt"
npu_backend = tng.get_npu_backend(compiler_config=config)
class NPUQuantizedLinearA16W8(torch.nn.Module):
    def __init__(self,
                 weight,
                 antiquant_scale,
                 antiquant_offset,
                 quant_offset=None,
                 quant_scale=None,
                 bias=None,
                 transpose_x=False,
                 transpose_weight=True,
                 w4=False):
        super().__init__()

        self.dtype = torch.float16
        self.weight = weight.to(torch.int8).npu()
        self.transpose_weight = transpose_weight

        if self.transpose_weight:
            self.weight = torch_npu.npu_format_cast(self.weight.contiguous(), 29)
        else:
            self.weight = torch_npu.npu_format_cast(self.weight.transpose(0, 1).contiguous(), 29) # n,k ->nz

        self.bias = None
        self.antiquant_scale = antiquant_scale
        self.antiquant_offset = antiquant_offset
        self.quant_offset = quant_offset
        self.quant_scale = quant_scale
        self.transpose_x = transpose_x

    def forward(self, x):
        x = torch_npu.npu_weight_quant_batchmatmul(x.transpose(0, 1) if self.transpose_x else x,
                                                   self.weight.transpose(0, 1),
                                                   self.antiquant_scale.transpose(0, 1),
                                                   self.antiquant_offset.transpose(0, 1),
                                                   self.quant_scale,
                                                   self.quant_offset,
                                                   self.bias)
        return x


m, k, n = 4, 1024, 4096
cpu_x = torch.randn((m, k),dtype=torch.float16)
cpu_weight = torch.randint(1, 10, (k, n),dtype=torch.int8)
cpu_weight = cpu_weight.transpose(-1, -2)

cpu_antiquantscale = torch.randn((1, n),dtype=torch.float16)
cpu_antiquantoffset = torch.randn((1, n),dtype=torch.float16)
cpu_antiquantscale = cpu_antiquantscale.transpose(-1, -2)
cpu_antiquantoffset = cpu_antiquantoffset.transpose(-1, -2)
model = NPUQuantizedLinearA16W8(cpu_weight.npu(), cpu_antiquantscale.npu(), cpu_antiquantoffset.npu())
model = torch.compile(model, backend=npu_backend, dynamic=True)
out = model(cpu_x.npu())

父主题： torch_npu