aclnnIncreFlashAttention

产品支持情况

[object Object]undefined

功能说明

• 接口功能：对于自回归（Auto-regressive）的语言模型，随着新词的生成，推理输入长度不断增大。在原来全量推理的基础上实现增量推理，query的S轴固定为1，key和value是经过KV Cache后，将之前推理过的state信息，叠加在一起，每个Batch对应S轴的实际长度可能不一样，输入的数据是经过padding后的固定长度数据。

  相比全量场景的FlashAttention算子（），增量推理的流程与正常全量推理并不完全等价，不过增量推理的精度并无明显劣化。

  说明：

  KV Cache是大模型推理性能优化的一个常用技术。采样时，Transformer模型会以给定的prompt/context作为初始输入进行推理（可以并行处理），随后逐一生成额外的token来继续完善生成的序列（体现了模型的自回归性质）。在采样过程中，Transformer会执行自注意力操作，为此需要给当前序列中的每个项目（无论是prompt/context还是生成的token）提取键值（KV）向量。这些向量存储在一个矩阵中，通常被称为kv缓存（KV Cache）。

• 计算公式：

  self-attention（自注意力）利用输入样本自身的关系构建了一种注意力模型。其原理是假设有一个长度为$n$的输入样本序列$x$，$x$的每个元素都是一个$d$维向量，可以将每个$d$维向量看作一个token embedding，将这样一条序列经过3个权重矩阵变换得到3个维度为$n$d的矩阵。

  self-attention的计算公式一般定义如下，其中$Q$、$K$、$V$为输入样本的重要属性元素，是输入样本经过空间变换得到，且可以统一到一个特征空间中。

  $$Attention(Q,K,V)=Score(Q,K)V$$

  本算子中Score函数采用Softmax函数，self-attention计算公式为：

  $$Attention(Q,K,V)=Softmax(\frac{QK^T}{\sqrt{d}})V$$

  其中$Q$和$K^T$的乘积代表输入$x$的注意力，为避免该值变得过大，通常除以$d$的开根号进行缩放，并对每行进行softmax归一化，与$V$相乘后得到一个$n*d$的矩阵。

函数原型

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

aclnnIncreFlashAttentionGetWorkspaceSize

• 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]

aclnnIncreFlashAttention

• 参数说明

  [object Object]

• 返回值
  aclnnStatus：返回状态码，具体参见。

约束说明

• 确定性计算：
  • aclnnIncreFlashAttention默认确定性实现。
• [object Object]Atlas A2 训练系列产品/Atlas A2 推理系列产品[object Object]：
  • 支持B轴小于等于65536，N轴小于等于256，D轴小于等于512。
  • query数据类型支持FLOAT16、BFLOAT16，attentionOut、key和value数据类型支持FLOAT16和BFLOAT16。
  • numKeyValueHeads数据类型支持INT64。
• [object Object]Atlas 推理系列加速卡产品[object Object]：
  • 支持B轴小于等于256，N轴小于等于256，D轴小于等于512。
  • 支持key、value的S轴小于等于65536。
  • query、key、value和attentionOut数据类型仅支持FLOAT16。
  • numKeyValueHeads仅支持取值0。
• 非连续场景下，参数key、value的tensorlist中tensor的个数等于query的B（由于tensorlist限制，非连续场景下B需要小于等于256）。shape除S外需要完全一致，且batch只能为1。
• 参数query中的N和numHeads值相等，key、value的N和numKeyValueHeads值相等，并且numHeads是numKeyValueHeads的倍数关系，并且numHeads与numKeyValueHeads的比值不能大于64。
• 仅支持query的S轴等于1。
• 当attenMask数据类型取INT8、UINT8时，其tensor中的值需要为0或1。

调用示例

示例代码如下，仅供参考，具体编译和执行过程请参考。