aclnnFlashAttentionScoreV3

产品支持情况

[object Object]undefined

功能说明

• 接口功能：训练场景下，使用FlashAttention算法实现self-attention（自注意力）的计算。对标竞品适配gptoss模型支持sink功能。跟接口的区别是：增加[object Object]可选输入。

• 计算公式： 注意力的正向计算公式如下：

  • psetype=1时，与计算公式相同。

  • psetype=其他取值时，公式如下：

    $$attention\_out=Dropout(Softmax(Mask(scale*(query*key^T) + pse),atten\_mask),keep\_prob)*value$$

  其中增加sink之后计算逻辑见下，主要修改相关softmax_max和softmax_sum逻辑计算部分

  $$S = Q * K^{T}$$ $$m = max(sink, max(S))$$ $$Attention = \frac{e^{S - m} * V}{\sum e^{S-m} + S^{sink - m}}$$

函数原型

每个算子分为，必须先调用“aclnnFlashAttentionScoreV3GetWorkspaceSize”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“aclnnFlashAttentionScoreV3”接口执行计算。

aclnnFlashAttentionScoreV3GetWorkspaceSize

• 参数说明：

  [object Object]

• 返回值：

  aclnnStatus：返回状态码，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]

aclnnFlashAttentionScoreV3

• 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：

  • aclnnFlashAttentionScoreV3默认确定性实现。

• 该接口与PyTorch配合使用时，需要保证CANN相关包与PyTorch相关包的版本匹配。

• 输入query、key、value的约束如下：

  • 数据排布格式支持从多种维度解读，其中B（Batch）表示输入样本批量大小、S（Seq-Length）表示输入样本序列长度、H（Head-Size）表示隐藏层的大小、N（Head-Num）表示多头数、D（Head-Dim）表示隐藏层最小的单元尺寸，且满足D=H/N。
  • B：batchsize必须相等。
  • D：Head-Dim必须满足(qD == kD && kD >= vD)。
  • input_layout必须一致。

• 输入key/value的shape除D外必须一致。

• 关于数据shape的约束，以inputLayout的BSND、BNSD为例（BSH、SBH下H=N*D），其中：

  • B：取值范围为1~2M。带prefixOptional的时候B最大支持2K。
  • N：取值范围为1~256。
  • S：取值范围为1~1M。
  • D：取值范围为1~768。

• realShiftOptional：如果Sq大于1024的每个batch的Sq与Skv等长且是sparseMode为0、2、3的下三角掩码场景，可使能alibi位置编码压缩，此时只需要输入原始PSE最后1024行，实现内存优化，即alibi_compress = ori_pse[:, :, -1024:, :]，具体如下：

  • 参数每个batch不相同时，shape为BNHSkv(H=1024)。
  • 每个batch相同时，shape为1NHSkv(H=1024)。
  • 如果pseType为2或3的时候，数据类型需为FLOAT32, 对应shape支持范围是[B,N]或[N]。
  • 如果不使能该参数，realShiftOptional需要传入nullptr，pseType需要传入1。

• innerPrecise: 当前0、1为保留配置值，2为使能无效行计算，其功能是避免在计算过程中存在整行mask进而导致精度有损失，但是该配置会导致性能下降。 如果算子可判断出存在无效行场景，会自动使能无效行计算，例如sparseMode为3，Sq > Skv场景。

• pseType 各个取值含义

  [object Object]undefined

• pseType为2或3的时候，当前只支持Sq和Skv等长。

• sparseMode的约束如下:

  • 当所有的attenMaskOptional的shape小于2048且相同的时候，建议使用default模式，来减少内存使用量。
  • sparseMode配置为1、2、3、5时，用户配置的preTokens、nextTokens不会生效。
  • sparseMode配置为0、4时，须保证attenMaskOptional与preTokens、nextTokens的范围一致。
  • 用户不特意指定时建议传入0。
  • sparse不同模式的详细说明请参见。

• 部分场景下，如果计算量过大可能会导致算子执行超时（aicore error类型报错，errorStr为：timeout or trap error），此时建议做轴切分处理，注：这里的计算量会受B、S、N、D等参数的影响，值越大计算量越大。

• band场景，preTokens和nextTokens之间必须要有交集。

• prefixOptional稀疏计算场景即sparseMode=5或者sparseMode=6，当Sq > Skv时，prefix的N值取值范围[0, Skv]，当Sq <= Skv时，prefix的N值取值范围[Skv-Sq, Skv]。

• realShiftOptional Sq大于1024时如果配置BNHS、1NHS，需要Sq和Skv等长。

调用示例

调用示例代码如下，仅供参考，具体编译和执行过程请参考。