torch_npu.contrib.module.LinearWeightQuant

功能描述

LinearWeightQuant是对torch_npu.npu_weight_quant_batchmatmul接口的封装类，完成矩阵乘计算中的weight输入和输出的量化操作，支持per-tensor、per-channel、per-group多场景量化。

当前Atlas 推理系列产品仅支持per-channel量化。

接口原型

torch_npu.contrib.module.LinearWeightQuant(in_features, out_features, bias=True, device=None, dtype=None, antiquant_offset=False, quant_scale=False, quant_offset=False, antiquant_group_size=0, inner_precise=0)

参数说明

in_features：int类型，伪量化matmul计算中的k轴的值。
out_features：int类型，伪量化matmul计算中的n轴的值。
bias：bool类型，可选参数，默认为True，代表是否需要bias计算参数。如果设置成False，则bias不会加入伪量化matmul的计算。
device：string类型，可选参数，用于执行model的device名称，默认为None。

dtype：伪量化matmul运算中的输入x的dtype，可选参数，默认为None。
antiquant_offset：bool类型，可选参数，默认为False，代表是否需要antiquant_offset计算参数。如果设置成False，则weight矩阵反量化时无需设置offset。
quant_scale：bool类型，可选参数，默认为False，代表是否需要quant_scale计算参数。如果设置成False，则伪量化输出不会进行量化计算。
quant_offset：bool类型，可选参数，默认为False，代表是否需要quant_offset计算参数。如果设置成False，则对伪量化输出进行量化计算时无需设置offset。
antiquant_group_size：int类型，可选参数，用于控制per-group场景下的group大小，当前默认为0。传入值的范围为[32,K-1]且值要求是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。

输入说明

x：Tensor类型，即矩阵乘中的x。数据格式支持ND，支持输入维度为两维(M, K) 。

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。
Atlas 推理系列产品：数据类型仅支持float16。

变量说明

weight：Tensor类型，即矩阵乘中的weight。数据格式支持ND、FRACTAL_NZ，支持非连续的Tensor，支持输入维度为两维(N, K)。
- 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，可以参考torch_npu.npu_convert_weight_to_int4pack调用示例）。
- 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，可以参考torch_npu.npu_convert_weight_to_int4pack调用示例）。
- Atlas 推理系列产品：数据类型支持int8。weight FRACTAL_NZ格式只在图模式有效，依赖接口torchair.experimental.inference.use_internal_format_weight完成数据格式从ND到FRACTAL_NZ转换，可参考调用示例。
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。支持非连续的Tensor，支持输入维度为两维(N, 1)或一维(N,)、(1,)。
- - 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。per-group场景shape要求为(N, ceil_div(K, antiquant_group_size))。
    - 若数据类型为float16、bfloat16，其数据类型需要和x保持一致。
    - 若数据类型为int64，则x的数据类型必须为float16且不带transpose输入，同时weight的数据类型必须为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。per-group场景shape要求为(N, ceil_div(K, antiquant_group_size))。
    - 若数据类型为float16、bfloat16，其数据类型需要和x保持一致。
    - 若数据类型为int64，则x的数据类型必须为float16且不带transpose输入，同时weight的数据类型必须为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 推理系列产品：数据类型支持float16，其数据类型需要和x保持一致。
antiquant_offset：Tensor类型，反量化的offset，用于weight矩阵反量化。数据格式支持ND。支持非连续的Tensor，支持输入维度为两维(N, 1)或一维(N,)、(1,)。
- 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(N, ceil_div(K, antiquant_group_size))。
  - 若数据类型为float16、bfloat16，其数据类型需要和antiquant_scale保持一致。
  - 若数据类型为int32，则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(N, ceil_div(K, antiquant_group_size))。
  - 若数据类型为float16、bfloat16，其数据类型需要和antiquant_scale保持一致。
  - 若数据类型为int32，则antiquant_scale的数据类型必须为int64。
- Atlas 推理系列产品：数据类型仅支持float16，其数据类型需要和antiquant_scale保持一致。
quant_scale：Tensor类型，量化的scale，用于输出矩阵的量化。仅在weight格式为ND时支持，数据格式支持ND，数据类型支持float32、int64，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。仅在weight格式为ND时支持，数据格式支持ND，数据类型支持float32，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，数据格式支持ND，数据类型支持float16、float32，支持非连续的Tensor，支持输入维度为两维(1, N)或一维(N,)、(1,)。
antiquant_group_size：int类型，用于控制per-group场景下的group大小，默认为0。传入值的范围为[32, K-1]且值要求是32的倍数。
Atlas 推理系列产品：暂不支持此参数。

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(N, K)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。
当x输入类型为bfloat16类型时候，bias的输入类型为float32；当x输入类型为float16类型时候，bias的输入类型为float16。
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。

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 推理系列产品
Atlas A3 训练系列产品/Atlas A3 推理系列产品

调用示例

单算子模式调用

import torch
import torch_npu
from torch_npu.contrib.module import LinearWeightQuant
x = torch.randn((8192, 320),device='npu',dtype=torch.float16)
weight = torch.randn((320, 256),device='npu',dtype=torch.int8)
antiquantscale = torch.randn((1, 256),device='npu',dtype=torch.float16)
antiquantoffset = torch.randn((1, 256),device='npu',dtype=torch.float16)
quantscale = torch.randn((1, 256),device='npu',dtype=torch.float)
quantoffset = torch.randn((1, 256),device='npu',dtype=torch.float)
model = LinearWeightQuant(in_features=320,
                          out_features=256,
                          bias=False,
                          dtype=torch.float16,
                          antiquant_offset=True,
                          quant_scale=True,
                          quant_offset=True,
                          antiquant_group_size=0,
                          device=torch.device(f'npu:0')
                          )
model.npu()
model.weight.data = weight.transpose(-1, -2)
model.antiquant_scale.data = antiquantscale.transpose(-1, -2)
model.antiquant_offset.data = antiquantoffset.transpose(-1, -2)
model.quant_scale.data = torch_npu.npu_trans_quant_param(quantscale, quantoffset)
model.quant_offset.data = quantoffset
out = model(x)

图模式调用

import torch
import torch_npu
import torchair as tng
from torch_npu.contrib.module import LinearWeightQuant
from torchair.configs.compiler_config import CompilerConfig
config = CompilerConfig()
config.debug.graph_dump.type = "pbtxt"
npu_backend = tng.get_npu_backend(compiler_config=config)
x = torch.randn((8192, 320),device='npu',dtype=torch.bfloat16)
weight = torch.randn((320, 256),device='npu',dtype=torch.int8)
antiquantscale = torch.randn((1, 256),device='npu',dtype=torch.bfloat16)
antiquantoffset = torch.randn((1, 256),device='npu',dtype=torch.bfloat16)
quantscale = torch.randn((1, 256),device='npu',dtype=torch.float)
quantoffset = torch.randn((1, 256),device='npu',dtype=torch.float)
model = LinearWeightQuant(in_features=320,
                          out_features=256,
                          bias=False,
                          dtype=torch.bfloat16,
                          antiquant_offset=True,
                          quant_scale=True,
                          quant_offset=True,
                          antiquant_group_size=0,
                          device=torch.device(f'npu:0')
                          )
model.npu()
model.weight.data = weight.transpose(-1, -2)
model.antiquant_scale.data = antiquantscale.transpose(-1, -2)
model.antiquant_offset.data = antiquantoffset.transpose(-1, -2)
model.quant_scale.data = quantscale
model.quant_offset.data = quantoffset
tng.experimental.inference.use_internal_format_weight(model) # 将ND的weight输入转为FRACTAL_NZ格式
model = torch.compile(model, backend=npu_backend, dynamic=False)
out = model(x)

父主题： torch_npu.contrib