# aclnnSparseFlashAttention [📄 查看源码](https://gitcode.com/cann/ops-transformer/tree/master/attention/sparse_flash_attention) ## 产品支持情况 | 产品 | 是否支持 | | ------------------------------------------------------------ | :------: | |Ascend 950PR/Ascend 950DT| √ | |Atlas A2 推理系列产品 | √ | |Atlas A3 推理系列产品 | √ | ## 功能说明 - 接口功能:sparse_flash_attention(SFA)是针对大序列长度推理场景的高效注意力计算模块,该模块通过“只计算关键部分”大幅减少计算量,然而会引入大量的离散访存,造成数据搬运时间增加,进而影响整体性能。 - 计算公式: $$ \text{softmax}(\frac{Q@\tilde{K}^T}{\sqrt{d_k}})@\tilde{V} $$ 其中$\tilde{K},\tilde{V}$为基于某种选择算法(如`lightning_indexer`)得到的重要性较高的Key和Value,一般具有稀疏或分块稀疏的特征,$d_k$为$Q,\tilde{K}$每一个头的维度。 ## 函数原型 每个算子分为[两段式接口](../../../docs/zh/context/两段式接口.md),必须先调用“aclnnSparseFlashAttentionGetWorkspaceSize”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“aclnnSparseFlashAttention”接口执行计算。 ```Cpp aclnnStatus aclnnSparseFlashAttentionGetWorkspaceSize( const aclTensor *query, const aclTensor *key, const aclTensor *value, const aclTensor *sparseIndices, const aclTensor *blockTable, const aclTensor *actualSeqLengthsQuery, const aclTensor *actualSeqLengthsKv, const aclTensor *queryRope, const aclTensor *keyRope, double scaleValue, int64_t sparseBlockSize, char *layoutQuery, char *layoutKv, int64_t sparseMode, int64_t preTokens, int64_t nextTokens, int64_t attentionMode, bool returnSoftmaxLse, const aclTensor *attentionOutOut, const aclTensor *softmaxMaxOut, const aclTensor *softmaxSumOut, uint64_t *workspaceSize, aclOpExecutor **executor) ``` ```Cpp aclnnStatus aclnnSparseFlashAttention( void *workspace, uint64_t workspaceSize, aclOpExecutor *executor, const aclrtStream stream) ``` ## aclnnSparseFlashAttentionGetWorkspaceSize - **参数说明:** > [!NOTE] > >- query、key、value参数维度含义:B(Batch Size)表示输入样本批量大小、S(Sequence Length)表示输入样本序列长度、H(Head Size)表示hidden层的大小、N(Head Num)表示多头数、D(Head Dim)表示hidden层最小的单元尺寸,且满足D=H/N、T表示所有Batch输入样本序列长度的累加和。 >- Q\_S和S1表示query shape中的S,KV\_S和S2表示key shape中的S,Q\_N和N1表示num\_query\_heads,KV\_N和N2表示num\_key\_value\_heads,T1表示query shape中的T,T2表示key shape中的输入样本序列长度的累加和。
参数名 输入/输出 描述 使用说明 数据类型 数据格式 维度(shape) 非连续Tensor
query(aclTensor) 输入 attention结构的Query输入。 不支持空tensor。 FLOAT16、BFLOAT16 ND
  • layout_query为BSND时,shape为(B,S1,N1,D)。
  • layout_query为TND时,shape为(T1,N1,D)。
x
key(aclTensor) 输入 attention结构的Key输入
  • 不支持空tensor。
  • block_num为PageAttention时block总数。
FLOAT16、BFLOAT16 ND
  • layout_kv为PA_BSND时,shape为(block_num, block_size, KV_N, D)。
  • layout_kv为BSND时,shape为(B, S2, KV_N, D)。
  • layout_kv为TND时,shape为(T2, KV_N, D)。
x
value(aclTensor) 输入 attention结构的Value输入。 不支持空tensor。 FLOAT16、BFLOAT16 ND shape与key的shape一致。 x
sparseIndices(aclTensor) 输入 离散取kvCache的索引。
  • 不支持空tensor。
  • sparse_size为一次离散选取的block数,需要保证每行有效值均在前半部分,无效值均在后半部分,且需要满足sparse_size大于0。
INT32 ND
  • layout_query为BSND时,shape为(B, Q_S, KV_N, sparse_size)。
  • layout_query为TND时,shape为(Q_T, KV_N, sparse_size)。
x
blockTable(aclTensor) 输入 表示PageAttention中kvCache存储使用的block映射表。
  • 不支持空tensor。
  • 第二维长度不小于所有batch中最大的S2对应的block数量,即S2_max / block_size向上取整。
INT32 ND shape支持(B,S2/block_size)。 x
actualSeqLengthsQuery(aclTensor) 输入 表示不同Batch中query的有效token数。
  • 不支持空tensor。
  • 如果不指定seqlen可传入None,表示和query的shape的S长度相同。
  • 该入参中每个Batch的有效token数不超过query中的维度S大小且不小于0。支持长度为B的一维tensor。
  • layout_query为TND时,该入参必须传入,且以该入参元素的数量作为B值,该参数中每个元素的值表示当前batch与之前所有batch的token数总和。
INT32 ND (B,) x
actualSeqLengthsKv(aclTensor) 输入 表示不同Batch中key和value的有效token数。
  • 不支持空tensor。
  • 如果不指定seqlen可传入None,表示和key的shape的S长度相同。
  • 该参数中每个Batch的有效token数不超过key/value中的维度S大小且不小于0。支持长度为B的一维tensor。
  • 当layout_kv为TND或PA_BSND时,该入参必须传入。
  • layout_kv为TND,该参数中每个元素的值表示当前batch与之前所有batch的token数总和,即前缀和,因此后一个元素的值必须大于等于前一个元素的值。
INT32 ND (B,) x
queryRope(aclTensor) 输入 表示MLA结构中的query的rope信息。 不支持空tensor。 FLOAT16、BFLOAT16 ND
  • layout_query为TND时,shape为(B,S1,N1,Dr)。
  • layout_query为BSND时,shape为(T1,N1,Dr)。
x
keyRope(aclTensor) 输入 表示MLA结构中的key的rope信息。 不支持空tensor。 FLOAT16、BFLOAT16 ND
  • layout_kv为TND时,shape为(B,S1,N1,Dr)。
  • layout_kv为BSND时,shape为(T1,N1,Dr)。
  • layout_kv为PA_BSND时,shape为(block_num,block_size,N2,Dr)。
x
scaleValue(double) 输入 代表缩放系数。 - FLOAT16 - - -
sparseBlockSize(int64_t) 输入 代表sparse阶段的block大小。
  • sparse_block_size为1时,为Token-wise稀疏化场景,将每个token视为独立单元,在计算重要性分数时,评估每个查询token与每个键值token之间的独立关联程度。
  • sparse_block_size为大于1小于等于128时,为Block-wise稀疏化场景,将token序列划分为固定大小的连续块,以块为单位进行重要性评估,块内token共享相同的稀疏化决策。
INT64 - - -
layoutQuery(char) 输入 标识输入query的数据排布格式。
  • 用户不特意指定时可传入默认值"BSND"。
  • 支持传入BSND和TND。
STRING - - -
layoutKv(char) 输入 标识输入key的数据排布格式。
  • 用户不特意指定时可传入默认值"BSND"。
  • 支持传入TND、BSND和PA_BSND,其中PA_BSND在使能PageAttention时使用。
STRING - - -
sparseMode(int64_t) 输入 表示sparse的模式。
  • sparse_mode为0时,代表全部计算。
  • sparse_mode为3时,代表rightDownCausal模式的mask,对应以右下顶点往左上为划分线的下三角场景。
INT64 - - -
preTokens(int64_t) 输入 用于稀疏计算,表示attention需要和前几个Token计算关联。 仅支持默认值2^63-1。 INT64 - - -
nextTokens(int64_t) 输入 用于稀疏计算,表示attention需要和后几个Token计算关联。 仅支持默认值2^63-1。 INT64 - - -
attentionMode(int64_t) 输入 - 仅支持传入2,表示MLA-absorb模式。 INT64 - - -
returnSoftmaxLse(bool) 输入 用于表示是否返回softmax_max和softmax_sum。
  • True表示返回,False表示不返回;默认值为False。
  • 该参数仅在训练且layout_kv不为PA_BSND场景支持。
BOOL - - -
attentionOut(aclTensor) 输出 公式中的输出。 不支持空tensor。 FLOAT16、BFLOAT16 ND
  • layout_query为BSND时,shape为(B,S1,N1,D)。
  • layout_query为TND时shape为(T1,N1,D)。
x
softmaxMaxOut(aclTensor) 输出 Attention算法对query乘key的结果,取max得到softmax_max。 不支持空tensor。 FLOAT ND
  • layout_query为BSND时,shape为(B,N2,S1,N1/N2)。
  • layout_query为TND时shape为(N2,T1,N1/N2)。
x
softmaxSumOut(aclTensor) 输出 Attention算法query乘key的结果减去softmax_max, 再取exp,接着求sum,得到softmax_sum。 不支持空tensor。 FLOAT ND
  • layout_query为BSND时,shape为(B,N2,S1,N1/N2)。
  • layout_query为TND时shape为(N2,T1,N1/N2)。
x
workspaceSize(uint64_t*) 输出 返回需要在Device侧申请的workspace大小。 - - - - -
executor(aclOpExecutor) 输出 返回op执行器,包含了算子计算流程。 - - - - -
- **返回值:** aclnnStatus:返回状态码,具体参见[aclnn返回码](../../../docs/zh/context/aclnn返回码.md)。 第一段接口会完成入参校验,出现以下场景时报错:
返回值 错误码 描述
ACLNN_ERR_PARAM_NULLPTR 161001 如果传入参数是必选输入,输出或者必选属性,且是空指针,则返回161001。
ACLNN_ERR_PARAM_INVALID 161002 query、key、value、sparseIndices、blockTable、actualSeqLengthsQuery、actualSeqLengthsKv、queryRope、keyRope、scaleValue、sparseBlockSize、layoutQuery、layoutKv、sparseMode、attentionMode、returnSoftmaxLse、attentionOut、softmaxMaxOut、softmaxSumOut的数据类型和数据格式不在支持的范围内。
## aclnnSparseFlashAttention - **参数说明:**
参数名 输入/输出 描述
workspace 输入 在Device侧申请的workspace内存地址。
workspaceSize 输入 在Device侧申请的workspace大小,由第一段接口aclnnSparseFlashAttentionGetWorkspaceSize获取。
executor 输入 op执行器,包含了算子计算流程。
stream 输入 指定执行任务的Stream。
- **返回值:** aclnnStatus:返回状态码,具体参见[aclnn返回码](../../../docs/zh/context/aclnn返回码.md)。 ## 约束说明 - 确定性计算:aclnnSparseFlashAttention默认确定性实现。 - 该接口支持推理场景下使用。 - N1支持1~64和128。 - block_size为一个block的token数,block_size取值为16的倍数,且最大支持1024。 - 参数query中的D和key、value的D值相等为512,参数query_rope中的Dr和key_rope的Dr值相等为64。 - 参数query、key、value的数据类型必须保持一致。 - 支持sparse_block_size整除block_size。 - Ascend 950PR/Ascend 950DT: - 只支持sparse_block_size为1。 - Atlas A3 训练系列产品/Atlas A3 推理系列产品Atlas A2 训练系列产品/Atlas A2 推理系列产品: - 支持[1,128],且要求是2的幂次方,在PageAttention场景下要求sparse_block_size整除block_size ## 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[编译与运行样例](../../../docs/zh/context/编译与运行样例.md)。 ```Cpp /** * Copyright (c) 2024 Huawei Technologies Co., Ltd. * This file is a part of the CANN Open Software. * Licensed under CANN Open Software License Agreement Version 1.0 (the "License"). * Please refer to the License for details. You may not use this file except in compliance with the License. * THIS SOFTWARE IS PROVIDED ON AN "AS IS" BASIS, WITHOUT WARRANTIES OF ANY KIND, EITHER EXPRESS OR IMPLIED, * INCLUDING BUT NOT LIMITED TO NON-INFRINGEMENT, MERCHANTABILITY, OR FITNESS FOR A PARTICULAR PURPOSE. * See LICENSE in the root of the software repository for the full text of the License. */ /*! * \file test_incre_flash_attention_v4.cpp * \brief */ #include #include #include #include #include "securec.h" #include "acl/acl.h" #include "aclnnop/aclnn_sparse_flash_attention.h" using namespace std; namespace { #define CHECK_RET(cond) ((cond) ? true :(false)) #define LOG_PRINT(message, ...) \ do { \ (void)printf(message, ##__VA_ARGS__); \ } while (0) int64_t GetShapeSize(const std::vector& shape) { int64_t shapeSize = 1; for (auto i : shape) { shapeSize *= i; } return shapeSize; } int Init(int32_t deviceId, aclrtStream* stream) { auto ret = aclInit(nullptr); if (!CHECK_RET(ret == ACL_SUCCESS)) { LOG_PRINT("aclInit failed. ERROR: %d\n", ret); return ret; } ret = aclrtSetDevice(deviceId); if (!CHECK_RET(ret == ACL_SUCCESS)) { LOG_PRINT("aclrtSetDevice failed. ERROR: %d\n", ret); return ret; } ret = aclrtCreateStream(stream); if (!CHECK_RET(ret == ACL_SUCCESS)) { LOG_PRINT("aclrtCreateStream failed. ERROR: %d\n", ret); return ret; } return 0; } template int CreateAclTensor(const std::vector& hostData, const std::vector& shape, void** deviceAddr, aclDataType dataType, aclTensor** tensor) { auto size = GetShapeSize(shape) * sizeof(T); auto ret = aclrtMalloc(deviceAddr, size, ACL_MEM_MALLOC_HUGE_FIRST); if (!CHECK_RET(ret == ACL_SUCCESS)) { LOG_PRINT("aclrtMalloc failed. ERROR: %d\n", ret); return ret; } ret = aclrtMemcpy(*deviceAddr, size, hostData.data(), size, ACL_MEMCPY_HOST_TO_DEVICE); if (!CHECK_RET(ret == ACL_SUCCESS)) { LOG_PRINT("aclrtMemcpy failed. ERROR: %d\n", ret); return ret; } std::vector strides(shape.size(), 1); for (int64_t i = shape.size() - 2; i >= 0; i--) { strides[i] = shape[i + 1] * strides[i + 1]; } *tensor = aclCreateTensor(shape.data(), shape.size(), dataType, strides.data(), 0, aclFormat::ACL_FORMAT_ND, shape.data(), shape.size(), *deviceAddr); return 0; } struct TensorResources { void* queryDeviceAddr = nullptr; void* keyDeviceAddr = nullptr; void* valueDeviceAddr = nullptr; void* sparseIndicesDeviceAddr = nullptr; void* attentionOutDeviceAddr = nullptr; void* softmaxMaxDeviceAddr = nullptr; void* softmaxSumDeviceAddr = nullptr; void* queryRopeDeviceAddr = nullptr; void* keyRopeDeviceAddr = nullptr; aclTensor* queryTensor = nullptr; aclTensor* keyTensor = nullptr; aclTensor* valueTensor = nullptr; aclTensor* sparseIndicesTensor = nullptr; aclTensor* attentionOutTensor = nullptr; aclTensor* softmaxMaxTensor = nullptr; aclTensor* softmaxSumTensor = nullptr; aclTensor* queryRopeTensor = nullptr; aclTensor* keyRopeTensor = nullptr; }; int InitializeTensors(TensorResources& resources) { std::vector queryShape = {1, 2, 1, 512}; std::vector keyShape = {1, 2, 1, 512}; std::vector valueShape = {1, 2, 1, 512}; std::vector sparseIndicesShape = {1, 2, 1, 2}; std::vector attentionOutShape = {1, 2, 1, 512}; std::vector softmaxMaxShape = {1, 2, 1, 16}; std::vector softmaxSumShape = {1, 2, 1, 16}; std::vector queryRopeShape = {1, 2, 1, 64}; std::vector keyRopeShape = {1, 2, 1, 64}; int64_t queryShapeSize = GetShapeSize(queryShape); int64_t keyShapeSize = GetShapeSize(keyShape); int64_t valueShapeSize = GetShapeSize(valueShape); int64_t sparseIndicesShapeSize = GetShapeSize(sparseIndicesShape); int64_t attentionOutShapeSize = GetShapeSize(attentionOutShape); int64_t softmaxMaxShapeSize = GetShapeSize(softmaxMaxShape); int64_t softmaxSumShapeSize = GetShapeSize(softmaxSumShape); int64_t queryRopeShapeSize = GetShapeSize(queryRopeShape); int64_t keyRopeShapeSize = GetShapeSize(keyRopeShape); std::vector queryHostData(queryShapeSize, 1); std::vector keyHostData(keyShapeSize, 1); std::vector valueHostData(valueShapeSize, 1); std::vector sparseIndicesHostData(sparseIndicesShapeSize, 1); std::vector attentionOutHostData(attentionOutShapeSize, 1); std::vector softmaxMaxHostData(softmaxMaxShapeSize, 1); std::vector softmaxSumHostData(softmaxSumShapeSize, 1); std::vector queryRopeHostData(queryRopeShapeSize, 1); std::vector keyRopeHostData(keyRopeShapeSize, 1); // Create query aclTensor. int ret = CreateAclTensor(queryHostData, queryShape, &resources.queryDeviceAddr, aclDataType::ACL_FLOAT16, &resources.queryTensor); if (!CHECK_RET(ret == ACL_SUCCESS)) { return ret; } // Create key aclTensor. ret = CreateAclTensor(keyHostData, keyShape, &resources.keyDeviceAddr, aclDataType::ACL_FLOAT16, &resources.keyTensor); if (!CHECK_RET(ret == ACL_SUCCESS)) { return ret; } // Create value aclTensor. ret = CreateAclTensor(valueHostData, valueShape, &resources.valueDeviceAddr, aclDataType::ACL_FLOAT16, &resources.valueTensor); if (!CHECK_RET(ret == ACL_SUCCESS)) { return ret; } // Create sparseIndices aclTensor. ret = CreateAclTensor(sparseIndicesHostData, sparseIndicesShape, &resources.sparseIndicesDeviceAddr, aclDataType::ACL_INT32, &resources.sparseIndicesTensor); if (!CHECK_RET(ret == ACL_SUCCESS)) { return ret; } // Create queryRope aclTensor. ret = CreateAclTensor(queryRopeHostData, queryRopeShape, &resources.queryRopeDeviceAddr, aclDataType::ACL_FLOAT16, &resources.queryRopeTensor); if (!CHECK_RET(ret == ACL_SUCCESS)) { return ret; } // Create keyRope aclTensor. ret = CreateAclTensor(keyRopeHostData, keyRopeShape, &resources.keyRopeDeviceAddr, aclDataType::ACL_FLOAT16, &resources.keyRopeTensor); if (!CHECK_RET(ret == ACL_SUCCESS)) { return ret; } // Create attention_out aclTensor. ret = CreateAclTensor(attentionOutHostData, attentionOutShape, &resources.attentionOutDeviceAddr, aclDataType::ACL_FLOAT16, &resources.attentionOutTensor); if (!CHECK_RET(ret == ACL_SUCCESS)) { return ret; } // Create softmax_max aclTensor. ret = CreateAclTensor(softmaxMaxHostData, softmaxMaxShape, &resources.softmaxMaxDeviceAddr, aclDataType::ACL_FLOAT, &resources.softmaxMaxTensor); if (!CHECK_RET(ret == ACL_SUCCESS)) { return ret; } // Create softmax_sum aclTensor. ret = CreateAclTensor(softmaxSumHostData, softmaxSumShape, &resources.softmaxSumDeviceAddr, aclDataType::ACL_FLOAT, &resources.softmaxSumTensor); if (!CHECK_RET(ret == ACL_SUCCESS)) { return ret; } return ACL_SUCCESS; } int ExecuteSparseFlashAttention(TensorResources& resources, aclrtStream stream, void** workspaceAddr, uint64_t* workspaceSize) { int64_t d = 2; double scaleValue = 1 / sqrt(d); int64_t sparseBlockSize = 64; constexpr const char layerOutStr[] = "BSND"; constexpr size_t layerOutLen = sizeof(layerOutStr); char layoutQuery[layerOutLen]; char layoutKv[layerOutLen]; errno_t memcpyRet = memcpy_s(layoutQuery, sizeof(layoutQuery), layerOutStr, layerOutLen); if (memcpyRet != 0) { LOG_PRINT("memcpy_s layoutQuery failed. ERROR: %d\n", memcpyRet); return -1; } memcpyRet = memcpy_s(layoutKv, sizeof(layoutKv), layerOutStr, layerOutLen); if (memcpyRet != 0) { LOG_PRINT("memcpy_s layoutKv failed. ERROR: %d\n", memcpyRet); return -1; } int64_t sparseMode = 3; int64_t preTokens = 9223372036854775807; int64_t nextTokens = 9223372036854775807; int64_t attentionMode = 2; bool returnSoftmaxLse = false; aclOpExecutor* executor; int ret = aclnnSparseFlashAttentionGetWorkspaceSize(resources.queryTensor, resources.keyTensor, resources.valueTensor, resources.sparseIndicesTensor, nullptr, nullptr, nullptr, resources.queryRopeTensor, resources.keyRopeTensor, scaleValue, sparseBlockSize, layoutQuery, layoutKv, sparseMode, preTokens, nextTokens, attentionMode, returnSoftmaxLse, resources.attentionOutTensor, resources.softmaxMaxTensor, resources.softmaxSumTensor, workspaceSize, &executor); if (!CHECK_RET(ret == ACL_SUCCESS)) { LOG_PRINT("aclnnSparseFlashAttentionGetWorkspaceSize failed. ERROR: %d\n", ret); return ret; } if (*workspaceSize > 0ULL) { ret = aclrtMalloc(workspaceAddr, *workspaceSize, ACL_MEM_MALLOC_HUGE_FIRST); if (!CHECK_RET(ret == ACL_SUCCESS)) { LOG_PRINT("allocate workspace failed. ERROR: %d\n", ret); return ret; } } ret = aclnnSparseFlashAttention(*workspaceAddr, *workspaceSize, executor, stream); if (!CHECK_RET(ret == ACL_SUCCESS)) { LOG_PRINT("aclnnSparseFlashAttention failed. ERROR: %d\n", ret); return ret; } return ACL_SUCCESS; } int PrintOutResult(std::vector &shape, void** deviceAddr) { auto size = GetShapeSize(shape); std::vector resultData(size, 0); auto ret = aclrtMemcpy(resultData.data(), resultData.size() * sizeof(resultData[0]), *deviceAddr, size * sizeof(resultData[0]), ACL_MEMCPY_DEVICE_TO_HOST); if (!CHECK_RET(ret == ACL_SUCCESS)) { LOG_PRINT("copy result from device to host failed. ERROR: %d\n", ret); return ret; } for (int64_t i = 0; i < size; i++) { LOG_PRINT("mean result[%ld] is: %f\n", i, aclFloat16ToFloat(resultData[i])); } return ACL_SUCCESS; } void CleanupResources(TensorResources& resources, void* workspaceAddr, aclrtStream stream, int32_t deviceId) { if (resources.queryTensor) { aclDestroyTensor(resources.queryTensor); } if (resources.keyTensor) { aclDestroyTensor(resources.keyTensor); } if (resources.valueTensor) { aclDestroyTensor(resources.valueTensor); } if (resources.sparseIndicesTensor) { aclDestroyTensor(resources.sparseIndicesTensor); } if (resources.attentionOutTensor) { aclDestroyTensor(resources.attentionOutTensor); } if (resources.softmaxMaxTensor) { aclDestroyTensor(resources.softmaxMaxTensor); } if (resources.softmaxSumTensor) { aclDestroyTensor(resources.softmaxSumTensor); } if (resources.queryRopeTensor) { aclDestroyTensor(resources.queryRopeTensor); } if (resources.keyRopeTensor) { aclDestroyTensor(resources.keyRopeTensor); } if (resources.queryDeviceAddr) { aclrtFree(resources.queryDeviceAddr); } if (resources.keyDeviceAddr) { aclrtFree(resources.keyDeviceAddr); } if (resources.valueDeviceAddr) { aclrtFree(resources.valueDeviceAddr); } if (resources.sparseIndicesDeviceAddr) { aclrtFree(resources.sparseIndicesDeviceAddr); } if (resources.attentionOutDeviceAddr) { aclrtFree(resources.attentionOutDeviceAddr); } if (resources.softmaxMaxDeviceAddr) { aclrtFree(resources.softmaxMaxDeviceAddr); } if (resources.softmaxSumDeviceAddr) { aclrtFree(resources.softmaxSumDeviceAddr); } if (resources.queryRopeDeviceAddr) { aclrtFree(resources.queryRopeDeviceAddr); } if (resources.keyRopeDeviceAddr) { aclrtFree(resources.keyRopeDeviceAddr); } if (workspaceAddr) { aclrtFree(workspaceAddr); } if (stream) { aclrtDestroyStream(stream); } aclrtResetDevice(deviceId); aclFinalize(); } } // namespace int main() { int32_t deviceId = 0; aclrtStream stream = nullptr; TensorResources resources = {}; void* workspaceAddr = nullptr; uint64_t workspaceSize = 0; std::vector attentionOutShape = {1, 2, 1, 16}; std::vector softmaxMaxShape = {1, 2, 1, 16}; std::vector softmaxSumShape = {1, 2, 1, 16}; int ret = ACL_SUCCESS; // 1. Initialize device and stream ret = Init(deviceId, &stream); if (!CHECK_RET(ret == ACL_SUCCESS)) { LOG_PRINT("Init acl failed. ERROR: %d\n", ret); return ret; } // 2. Initialize tensors ret = InitializeTensors(resources); if (!CHECK_RET(ret == ACL_SUCCESS)) { CleanupResources(resources, workspaceAddr, stream, deviceId); return ret; } // 3. Execute the operation ret = ExecuteSparseFlashAttention(resources, stream, &workspaceAddr, &workspaceSize); if (!CHECK_RET(ret == ACL_SUCCESS)) { CleanupResources(resources, workspaceAddr, stream, deviceId); return ret; } // 4. Synchronize stream ret = aclrtSynchronizeStream(stream); if (!CHECK_RET(ret == ACL_SUCCESS)) { LOG_PRINT("aclrtSynchronizeStream failed. ERROR: %d\n", ret); CleanupResources(resources, workspaceAddr, stream, deviceId); return ret; } // 5. Process results printf("-----------attentionOut输出-----------\n"); PrintOutResult(attentionOutShape, &resources.attentionOutDeviceAddr); printf("-----------softmaxMax输出-----------\n"); PrintOutResult(softmaxMaxShape, &resources.softmaxMaxDeviceAddr); printf("-----------softmaxSum输出-----------\n"); PrintOutResult(softmaxSumShape, &resources.softmaxSumDeviceAddr); // 6. Cleanup resources CleanupResources(resources, workspaceAddr, stream, deviceId); return 0; } ```