aclnnMoeTokenUnpermuteWithRoutingMapGrad

产品支持情况

[object Object]undefined

功能说明

• 接口功能：aclnnMoeTokenUnpermuteWithRoutingMap的反向传播。

• 计算公式：

  (1) probs非None：

  $$permutedTokensGrad[outIndex[i]] = unpermutedTokensGrad[permuteTokenId[i]]$$ $$permutedProbsGrad = permutedTokensGrad * permutedTokensOptional$$ $$probsGradExpertOrder = \sum_{j=0}^{hidden\_size}(permutedProbsGrad_{i,j})$$
  • paddedMode为false时
  $$probsGradOut = masked\_scatter(routingMapOptional^T,probsGradExpertOrder)$$ $$permutedProbs = probsOptional^T.masked\_select(routingMapOptional^T)$$ $$permutedTokensGradOut = permutedProbs.unsqueeze(-1) * permutedTokensGrad$$
  • paddedMode为true时
  $$probsGradOut[permuteTokenId[i], outIndex[i]/capacity] = probsGradExpertOrder[outIndex[i]]$$ $$permutedProbs[outIndex[i]] = probsOptional.view(1)[i]$$ $$permutedTokensGradOut = permutedProbs * permutedTokensGrad$$

  (2) probs为None：

  $$permutedTokensGradOut[outIndex[i]] = unpermutedTokensGrad[permuteTokenId[i]]$$
  1. hidden_size指unpermutedTokensGrad的第1维大小。
  2. paddedMode等于true时，每个专家固定能够处理capacity个token。输入routingMapOptional的第1维是experts_num，即专家个数，输入outIndex的第0维是experts_num * capacity，根据这两个维度可以算出capacity。
  3. paddedMode等于false时，每个token固定被topK_num个专家处理。输入unpermutedTokensGrad的第0维是tokens_num，即token的个数，输入outIndex的第0维是tokens_num * capacity，根据这两个维度可以算出topK_num。

函数原型

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

aclnnMoeTokenUnpermuteWithRoutingMapGradGetWorkspaceSize

• 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]

aclnnMoeTokenUnpermuteWithRoutingMapGrad

• 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：

  • aclnnMoeTokenUnpermuteWithRoutingMapGrad默认确定性实现。

• 当输入probsOptional非空，且paddedMode为false时，要求topK_num <= 512且topK_num <= experts_num。

• 当输入probsOptional非空，且paddedMode为true时，要求capacity <= tokens_num。

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。