enginex-ascend-910-vllm/csrc/gmm/grouped_matmul_swiglu_quant/README.md

GroupedMatmulSwigluQuant

产品支持情况

产品	是否支持
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	√
Kirin X90 处理器系列产品	√
Kirin 9030 处理器系列产品	√

功能说明

• 接口功能：融合GroupedMatmul 、dquant、swiglu和quant，详细解释见计算公式。

• 计算公式：

  • 定义：

    • ⋅ 表示矩阵乘法。
    • ⊙ 表示逐元素乘法。
    • \left \lfloor x\right \rceil 表示将x四舍五入到最近的整数。
    • \mathbb{Z_8} = \{ x \in \mathbb{Z} | −128≤x≤127 \}
    • \mathbb{Z_{32}} = \{ x \in \mathbb{Z} | -2147483648≤x≤2147483647 \}

  • 输入：

    • $X∈\mathbb{Z_8}^{M \times K}$：输入矩阵（左矩阵），M是总token 数，K是特征维度。
    • $W∈\mathbb{Z_8}^{E \times K \times N}$：分组权重矩阵（右矩阵），E是专家个数，K是特征维度，N是输出维度。
    • $bias∈\mathbb{Z_{32}}^{E \times N}$：矩阵乘计算的偏移值，E是专家个数，N是输出维度。
    • $offset∈\mathbb{R}^{E \times N}$：per-channel非对称反量化的偏移，E是专家个数，N是输出维度。
    • $w_scale∈\mathbb{R}^{E \times N}$：分组权重矩阵（右矩阵）的逐通道缩放因子，E是专家个数，N是输出维度。
    • $x_scale∈\mathbb{R}^{M}$：输入矩阵（左矩阵）的逐 token缩放因子，M是总token 数。
    • $groupList∈\mathbb{N}^{E}$：前缀和的分组索引列表。

  • 输出：

    • $Q∈\mathbb{Z_8}^{M \times N / 2}$：量化后的输出矩阵。
    • $Q_scale∈\mathbb{R}^{M}$：量化缩放因子。
    • $Q_offset∈\mathbb{R}^{M}$：量化偏移因子。

  • 计算过程

    • 1.根据groupList[i]确定当前分组的 token ，$i \in [0,Len(groupList)]$。

    例子：假设groupList=[3,4,4,6]，从0开始计数。

    第0个右矩阵W[0,:,:]，对应索引位置[0,3)的tokenx[0:3]（共3-0=3个token），对应x_scale[0:3]、w_scale[0]、bias[0]、offset[0]、Q[0:3]、Q_scale[0:3]、Q_offset[0:3]；

    第1个右矩阵W[1,:,:]，对应索引位置[3,4)的tokenx[3:4]（共4-3=1个token），对应x_scale[3:4]、w_scale[1]、bias[1]、offset[1]、Q[3:4]、Q_scale[3:4]、Q_offset[3:4]；

    第2个右矩阵W[2,:,:]，对应索引位置[4,4)的tokenx[4:4]（共4-4=0个token），对应x_scale[4:4]、w_scale[2]、bias[2]、offset[2]、Q[4:4]、Q_scale[4:4]、Q_offset[4:4]；

    第3个右矩阵W[3,:,:]，对应索引位置[4,6)的tokenx[4:6]（共6-4=2个token），对应x_scale[4:6]、w_scale[3]、bias[3]、offset[3]、Q[4:6]、Q_scale[4:6]、Q_offset[4:6]；

    请注意：groupList中未指定的部分将不会参与更新。 例如groupList=[12,14,18]，X的shape为[30，:]。

    则第一个输出Q的shape为[30，:]，其中Q[18:，：]的部分不会进行更新和初始化，其中数据为显存空间申请时的原数据。

    同理，第二个输出Q的shape为[30]，其中Q_scale[18:]的部分不会进行更新或初始化，其中数据为显存空间申请时的原数据。

    即输出的Q[:groupList[-1],:]和Q_scale[:groupList[-1]]为有效数据部分。

    • 2.根据分组确定的入参进行如下计算：

    C_{i} = (X_{i}\cdot W_{i} )\odot x\_scale_{i\ BroadCast} \odot w\_scale_{i\ BroadCast}

    C_{i,act}, gate_{i} = split(C_{i})

    S_{i}=Swish(C_{i,act})\odot gate_{i}   其中Swish(x)=\frac{x}{1+e^{-x}}

    注：当前版本不支持$bias_{i}$、$offset_{i}$，未来版本将支持的计算公式如下： C_{i} =(X_{i}\cdot W_{i} + bias_{i\ BroadCast})\odot x\_scale_{i\ BroadCast} \odot w\_scale_{i\ BroadCast}+offset_{i\ BroadCast}

    • 3.确定量化方式

      • 当量化方式为对称量化时：

    Q\_scale_{i} = \frac{max(|S_{i}|)}{127}

    Q_{i} = \left \lfloor \frac{S_{i}}{Q\_scale_{i}}\right \rceil

      - 当量化方式为非对称量化时：(暂不支持)
    

    Q\_scale_{i} = \frac{max(S_{i})-min(S_{i})}{255}

    Q\_offset_{i} = -128 - \left \lfloor \frac{min(S_{i})}{Q\_scale_{i}}\right \rceil

    Q_{i} = \left \lfloor \frac{S_{i}}{ Q\_scale_{i} } + Q\_offset_{i}\right \rceil

参数说明

参数名	输入/输出/属性	描述	数据类型	数据格式
x	输入	左矩阵，公式中的X。	INT8	ND
weight	输入	权重矩阵，公式中的W。	INT8	ND / NZ
bias	输入	矩阵乘计算的偏移值，公式中的bias。	INT32	ND
offset	输入	per-channel非对称反量化的偏移，公式中的offset。	FLOAT32	ND
weightScale	输入	右矩阵的量化因子，公式中的w_scale。	FLOAT、FLOAT16、BFLOAT16	ND
xScale	输入	左矩阵的量化因子，公式中的x_scale。	FLOAT32	ND
groupList	输入	指示每个分组参与计算的Token个数，公式中的groupList。	INT64	ND
output	输出	输出的量化因子，公式中的Q。	FLOAT	ND
outputScale	输出	输出的量化因子，公式中的Q_scale。	FLOAT	ND
outputOffset	输出	输出的非对称量化的偏移，公式中的Q_offset。	FLOAT	ND

• Kirin X90/Kirin 9030 处理器系列产品: 不支持BFLOAT16。

约束说明

• N轴长度不能超过10240。
• K轴长度不能超过65536。

调用说明

调用方式	调用样例	说明
aclnn调用	test_aclnn_grouped_matmul_swiglu_quant	通过接口方式调用GroupedMatmulSwigluQuant算子。