[EP] Add cuda kernel for moe_ep_post_reorder (#6837)
Co-authored-by: luoyuan.luo <luoyuan.luo@antgroup.com>
This commit is contained in:
92
sgl-kernel/benchmark/bench_moe_ep_post_reorder.py
Normal file
92
sgl-kernel/benchmark/bench_moe_ep_post_reorder.py
Normal file
@@ -0,0 +1,92 @@
|
|||||||
|
import torch
|
||||||
|
import triton
|
||||||
|
from sgl_kernel import ep_moe_post_reorder
|
||||||
|
|
||||||
|
from sglang.srt.layers.moe.ep_moe.kernels import post_reorder_triton_kernel
|
||||||
|
|
||||||
|
batch_sizes = [64, 128, 256, 512, 640, 768, 1024, 2048, 4096]
|
||||||
|
configs = [(bs,) for bs in batch_sizes]
|
||||||
|
|
||||||
|
|
||||||
|
@triton.testing.perf_report(
|
||||||
|
triton.testing.Benchmark(
|
||||||
|
x_names=["batch_size"],
|
||||||
|
x_vals=[list(_) for _ in configs],
|
||||||
|
line_arg="provider",
|
||||||
|
line_vals=["cuda", "triton"],
|
||||||
|
line_names=["CUDA Kernel", "Triton Kernel"],
|
||||||
|
styles=[("green", "-"), ("orange", "-")],
|
||||||
|
ylabel="us",
|
||||||
|
plot_name="ep-moe-post-reorder-performance",
|
||||||
|
args={},
|
||||||
|
)
|
||||||
|
)
|
||||||
|
def benchmark(batch_size, provider):
|
||||||
|
dtype = torch.bfloat16
|
||||||
|
device = torch.device("cuda")
|
||||||
|
hidden_size, topk, start_expert_id, end_expert_id, block_size = 4096, 8, 0, 255, 512
|
||||||
|
|
||||||
|
def alloc_tensors():
|
||||||
|
down_output = torch.randn(
|
||||||
|
batch_size * topk, hidden_size, dtype=dtype, device=device
|
||||||
|
)
|
||||||
|
output = torch.zeros(batch_size, hidden_size, dtype=dtype, device=device)
|
||||||
|
src2dst = torch.randint(
|
||||||
|
0, batch_size * topk, (batch_size, topk), dtype=torch.int32, device=device
|
||||||
|
)
|
||||||
|
topk_ids = torch.randint(
|
||||||
|
start_expert_id,
|
||||||
|
end_expert_id + 1,
|
||||||
|
(batch_size, topk),
|
||||||
|
dtype=torch.int32,
|
||||||
|
device=device,
|
||||||
|
)
|
||||||
|
topk_weights = torch.rand(batch_size, topk, dtype=dtype, device=device)
|
||||||
|
return down_output, output, src2dst, topk_ids, topk_weights
|
||||||
|
|
||||||
|
quantiles = [0.5, 0.2, 0.8]
|
||||||
|
|
||||||
|
if provider == "cuda":
|
||||||
|
d_out, out, s2d, tk_ids, tk_weights = alloc_tensors()
|
||||||
|
|
||||||
|
def run_cuda():
|
||||||
|
ep_moe_post_reorder(
|
||||||
|
d_out,
|
||||||
|
out,
|
||||||
|
s2d,
|
||||||
|
tk_ids,
|
||||||
|
tk_weights,
|
||||||
|
start_expert_id,
|
||||||
|
end_expert_id,
|
||||||
|
topk,
|
||||||
|
)
|
||||||
|
|
||||||
|
ms, min_ms, max_ms = triton.testing.do_bench(run_cuda, quantiles=quantiles)
|
||||||
|
|
||||||
|
elif provider == "triton":
|
||||||
|
d_out, out, s2d, tk_ids, tk_weights = alloc_tensors()
|
||||||
|
|
||||||
|
def run_triton():
|
||||||
|
post_reorder_triton_kernel[(batch_size,)](
|
||||||
|
d_out.view(-1),
|
||||||
|
out.view(-1),
|
||||||
|
s2d.view(-1),
|
||||||
|
tk_ids.view(-1),
|
||||||
|
tk_weights.view(-1),
|
||||||
|
start_expert_id,
|
||||||
|
end_expert_id,
|
||||||
|
topk,
|
||||||
|
hidden_size,
|
||||||
|
block_size,
|
||||||
|
)
|
||||||
|
|
||||||
|
ms, min_ms, max_ms = triton.testing.do_bench(run_triton, quantiles=quantiles)
|
||||||
|
|
||||||
|
else:
|
||||||
|
raise ValueError(f"Unknown provider: {provider}")
|
||||||
|
|
||||||
|
return 1000 * ms, 1000 * max_ms, 1000 * min_ms
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == "__main__":
|
||||||
|
benchmark.run(print_data=True)
|
||||||
@@ -174,9 +174,13 @@ TORCH_LIBRARY_FRAGMENT(sgl_kernel, m) {
|
|||||||
"(Tensor[])");
|
"(Tensor[])");
|
||||||
m.impl("moe_fused_gate", torch::kCUDA, &moe_fused_gate);
|
m.impl("moe_fused_gate", torch::kCUDA, &moe_fused_gate);
|
||||||
m.def(
|
m.def(
|
||||||
"ep_moe_pre_reorder(Tensor input_ptr, Tensor gateup_input_ptr, Tensor src2dst_ptr, Tensor topk_ids_ptr, Tensor "
|
"ep_moe_pre_reorder(Tensor input, Tensor gateup_input, Tensor src2dst, Tensor topk_ids, Tensor "
|
||||||
"a1_scales_ptr, int start_expert_id, int end_expert_id, int topk, bool use_per_token_if_dynamic) -> ()");
|
"a1_scales, int start_expert_id, int end_expert_id, int topk, bool use_per_token_if_dynamic) -> ()");
|
||||||
m.impl("ep_moe_pre_reorder", torch::kCUDA, &ep_moe_pre_reorder);
|
m.impl("ep_moe_pre_reorder", torch::kCUDA, &ep_moe_pre_reorder);
|
||||||
|
m.def(
|
||||||
|
"ep_moe_post_reorder(Tensor down_output, Tensor output, Tensor src2dst, Tensor topk_ids, Tensor "
|
||||||
|
"topk_weights, int start_expert_id, int end_expert_id, int topk) -> ()");
|
||||||
|
m.impl("ep_moe_post_reorder", torch::kCUDA, &ep_moe_post_reorder);
|
||||||
m.def(
|
m.def(
|
||||||
"fp8_blockwise_scaled_grouped_mm(Tensor output, Tensor a_ptrs, Tensor b_ptrs, Tensor out_ptrs, Tensor "
|
"fp8_blockwise_scaled_grouped_mm(Tensor output, Tensor a_ptrs, Tensor b_ptrs, Tensor out_ptrs, Tensor "
|
||||||
"a_scales_ptrs, Tensor b_scales_ptrs, Tensor a, Tensor b, Tensor scales_a, Tensor scales_b, Tensor "
|
"a_scales_ptrs, Tensor b_scales_ptrs, Tensor a, Tensor b, Tensor scales_a, Tensor scales_b, Tensor "
|
||||||
|
|||||||
@@ -67,6 +67,57 @@ __global__ void ep_pre_reorder_cuda_kernel(
|
|||||||
}
|
}
|
||||||
}
|
}
|
||||||
|
|
||||||
|
template <typename scalar_t>
|
||||||
|
__global__ void ep_post_reorder_cuda_kernel(
|
||||||
|
const scalar_t* __restrict__ down_output_ptr,
|
||||||
|
scalar_t* __restrict__ output_ptr,
|
||||||
|
const int* __restrict__ src2dst_ptr,
|
||||||
|
const int* __restrict__ topk_ids_ptr,
|
||||||
|
const scalar_t* __restrict__ topk_weights_ptr,
|
||||||
|
int start_expert_id,
|
||||||
|
int end_expert_id,
|
||||||
|
int topk,
|
||||||
|
int hidden_size) {
|
||||||
|
const int token_idx = blockIdx.x;
|
||||||
|
const int tid = threadIdx.x;
|
||||||
|
|
||||||
|
const int* token_src2dst = src2dst_ptr + token_idx * topk;
|
||||||
|
const int* token_topk_ids = topk_ids_ptr + token_idx * topk;
|
||||||
|
const scalar_t* token_topk_weights = topk_weights_ptr + token_idx * topk;
|
||||||
|
|
||||||
|
scalar_t* dst_ptr = output_ptr + static_cast<int64_t>(token_idx) * hidden_size;
|
||||||
|
|
||||||
|
constexpr uint32_t vec_size = 16 / sizeof(scalar_t);
|
||||||
|
using vec_t = flashinfer::vec_t<scalar_t, vec_size>;
|
||||||
|
|
||||||
|
const int vec_iters = hidden_size / vec_size;
|
||||||
|
for (int idx = tid; idx < vec_iters; idx += blockDim.x) {
|
||||||
|
float acc[vec_size] = {0};
|
||||||
|
|
||||||
|
for (int k = 0; k < topk; ++k) {
|
||||||
|
const int expert_id = token_topk_ids[k];
|
||||||
|
if (expert_id < start_expert_id || expert_id > end_expert_id) continue;
|
||||||
|
const int src_row = token_src2dst[k];
|
||||||
|
const scalar_t* src_ptr = down_output_ptr + static_cast<int64_t>(src_row) * hidden_size;
|
||||||
|
const float weight = static_cast<float>(token_topk_weights[k]);
|
||||||
|
|
||||||
|
vec_t src_vec;
|
||||||
|
src_vec.cast_load(src_ptr + idx * vec_size);
|
||||||
|
|
||||||
|
#pragma unroll
|
||||||
|
for (uint32_t i = 0; i < vec_size; ++i) {
|
||||||
|
acc[i] += static_cast<float>(src_vec[i]) * weight;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
vec_t out_vec;
|
||||||
|
#pragma unroll
|
||||||
|
for (uint32_t i = 0; i < vec_size; ++i)
|
||||||
|
out_vec[i] = static_cast<scalar_t>(acc[i]);
|
||||||
|
|
||||||
|
out_vec.cast_store(dst_ptr + idx * vec_size);
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
void ep_moe_pre_reorder(
|
void ep_moe_pre_reorder(
|
||||||
torch::Tensor input,
|
torch::Tensor input,
|
||||||
torch::Tensor gateup_input,
|
torch::Tensor gateup_input,
|
||||||
@@ -77,8 +128,8 @@ void ep_moe_pre_reorder(
|
|||||||
int64_t end_expert_id,
|
int64_t end_expert_id,
|
||||||
int64_t topk,
|
int64_t topk,
|
||||||
bool use_per_token_if_dynamic) {
|
bool use_per_token_if_dynamic) {
|
||||||
int total_blocks = input.size(0);
|
const int total_blocks = input.size(0);
|
||||||
int block_size = 512;
|
const int block_size = 512;
|
||||||
dim3 grid(total_blocks);
|
dim3 grid(total_blocks);
|
||||||
dim3 block(block_size);
|
dim3 block(block_size);
|
||||||
int hidden_size = input.size(1);
|
int hidden_size = input.size(1);
|
||||||
@@ -98,3 +149,33 @@ void ep_moe_pre_reorder(
|
|||||||
return true;
|
return true;
|
||||||
});
|
});
|
||||||
}
|
}
|
||||||
|
|
||||||
|
void ep_moe_post_reorder(
|
||||||
|
torch::Tensor down_output,
|
||||||
|
torch::Tensor output,
|
||||||
|
torch::Tensor src2dst,
|
||||||
|
torch::Tensor topk_ids,
|
||||||
|
torch::Tensor topk_weights,
|
||||||
|
int64_t start_expert_id,
|
||||||
|
int64_t end_expert_id,
|
||||||
|
int64_t topk) {
|
||||||
|
const int total_tokens = output.size(0);
|
||||||
|
const int block_size = 512;
|
||||||
|
dim3 grid(total_tokens);
|
||||||
|
dim3 block(block_size);
|
||||||
|
const int hidden_size = output.size(1);
|
||||||
|
|
||||||
|
DISPATCH_PYTORCH_DTYPE_TO_CTYPE_FLOAT_FP16(down_output.scalar_type(), scalar_t, [&] {
|
||||||
|
ep_post_reorder_cuda_kernel<scalar_t><<<grid, block>>>(
|
||||||
|
static_cast<scalar_t*>(down_output.data_ptr()),
|
||||||
|
static_cast<scalar_t*>(output.data_ptr()),
|
||||||
|
src2dst.data_ptr<int>(),
|
||||||
|
topk_ids.data_ptr<int>(),
|
||||||
|
static_cast<scalar_t*>(topk_weights.data_ptr()),
|
||||||
|
static_cast<int>(start_expert_id),
|
||||||
|
static_cast<int>(end_expert_id),
|
||||||
|
static_cast<int>(topk),
|
||||||
|
hidden_size);
|
||||||
|
return true;
|
||||||
|
});
|
||||||
|
}
|
||||||
|
|||||||
@@ -264,6 +264,16 @@ void ep_moe_pre_reorder(
|
|||||||
int64_t topk,
|
int64_t topk,
|
||||||
bool use_per_token_if_dynamic);
|
bool use_per_token_if_dynamic);
|
||||||
|
|
||||||
|
void ep_moe_post_reorder(
|
||||||
|
torch::Tensor down_output,
|
||||||
|
torch::Tensor output,
|
||||||
|
torch::Tensor src2dst,
|
||||||
|
torch::Tensor topk_ids,
|
||||||
|
torch::Tensor topk_weights,
|
||||||
|
int64_t start_expert_id,
|
||||||
|
int64_t end_expert_id,
|
||||||
|
int64_t topk);
|
||||||
|
|
||||||
void shuffle_rows(const torch::Tensor& input_tensor, const torch::Tensor& dst2src_map, torch::Tensor& output_tensor);
|
void shuffle_rows(const torch::Tensor& input_tensor, const torch::Tensor& dst2src_map, torch::Tensor& output_tensor);
|
||||||
|
|
||||||
void cutlass_fp4_group_mm(
|
void cutlass_fp4_group_mm(
|
||||||
|
|||||||
@@ -49,6 +49,7 @@ from sgl_kernel.gemm import (
|
|||||||
from sgl_kernel.grammar import apply_token_bitmask_inplace_cuda
|
from sgl_kernel.grammar import apply_token_bitmask_inplace_cuda
|
||||||
from sgl_kernel.moe import (
|
from sgl_kernel.moe import (
|
||||||
cutlass_fp4_group_mm,
|
cutlass_fp4_group_mm,
|
||||||
|
ep_moe_post_reorder,
|
||||||
ep_moe_pre_reorder,
|
ep_moe_pre_reorder,
|
||||||
fp8_blockwise_scaled_grouped_mm,
|
fp8_blockwise_scaled_grouped_mm,
|
||||||
moe_align_block_size,
|
moe_align_block_size,
|
||||||
|
|||||||
@@ -88,6 +88,28 @@ def ep_moe_pre_reorder(
|
|||||||
)
|
)
|
||||||
|
|
||||||
|
|
||||||
|
def ep_moe_post_reorder(
|
||||||
|
down_output,
|
||||||
|
output,
|
||||||
|
src2dst,
|
||||||
|
topk_ids,
|
||||||
|
topk_weights,
|
||||||
|
start_expert_id,
|
||||||
|
end_expert_id,
|
||||||
|
topk,
|
||||||
|
):
|
||||||
|
return torch.ops.sgl_kernel.ep_moe_post_reorder.default(
|
||||||
|
down_output,
|
||||||
|
output,
|
||||||
|
src2dst,
|
||||||
|
topk_ids,
|
||||||
|
topk_weights,
|
||||||
|
start_expert_id,
|
||||||
|
end_expert_id,
|
||||||
|
topk,
|
||||||
|
)
|
||||||
|
|
||||||
|
|
||||||
def fp8_blockwise_scaled_grouped_mm(
|
def fp8_blockwise_scaled_grouped_mm(
|
||||||
output,
|
output,
|
||||||
a_ptrs,
|
a_ptrs,
|
||||||
|
|||||||
163
sgl-kernel/tests/test_ep_moe_post_reorder_kernel.py
Normal file
163
sgl-kernel/tests/test_ep_moe_post_reorder_kernel.py
Normal file
@@ -0,0 +1,163 @@
|
|||||||
|
import itertools
|
||||||
|
|
||||||
|
import pytest
|
||||||
|
import torch
|
||||||
|
from sgl_kernel import ep_moe_post_reorder
|
||||||
|
|
||||||
|
from sglang.srt.layers.moe.ep_moe.kernels import post_reorder_triton_kernel
|
||||||
|
|
||||||
|
|
||||||
|
def create_test_tensors(
|
||||||
|
batch_size: int,
|
||||||
|
hidden_size: int,
|
||||||
|
topk: int,
|
||||||
|
start_expert_id: int,
|
||||||
|
end_expert_id: int,
|
||||||
|
dtype: torch.dtype,
|
||||||
|
device: torch.device,
|
||||||
|
):
|
||||||
|
down_output = torch.randn(
|
||||||
|
batch_size * topk, hidden_size, dtype=dtype, device=device
|
||||||
|
)
|
||||||
|
|
||||||
|
# Ensure src2dst has no duplicate destinations to avoid race conditions
|
||||||
|
total_tokens = batch_size * topk
|
||||||
|
dst_indices = torch.randperm(total_tokens, device=device, dtype=torch.int32)
|
||||||
|
src2dst = dst_indices.view(batch_size, topk)
|
||||||
|
|
||||||
|
topk_ids = torch.randint(
|
||||||
|
start_expert_id,
|
||||||
|
end_expert_id + 1,
|
||||||
|
(batch_size, topk),
|
||||||
|
dtype=torch.int32,
|
||||||
|
device=device,
|
||||||
|
)
|
||||||
|
|
||||||
|
topk_weights = torch.rand(batch_size, topk, dtype=dtype, device=device)
|
||||||
|
|
||||||
|
return down_output, src2dst, topk_ids, topk_weights
|
||||||
|
|
||||||
|
|
||||||
|
def run_cuda_kernel(
|
||||||
|
down_output: torch.Tensor,
|
||||||
|
output: torch.Tensor,
|
||||||
|
src2dst: torch.Tensor,
|
||||||
|
topk_ids: torch.Tensor,
|
||||||
|
topk_weights: torch.Tensor,
|
||||||
|
start_expert_id: int,
|
||||||
|
end_expert_id: int,
|
||||||
|
topk: int,
|
||||||
|
):
|
||||||
|
ep_moe_post_reorder(
|
||||||
|
down_output,
|
||||||
|
output,
|
||||||
|
src2dst,
|
||||||
|
topk_ids,
|
||||||
|
topk_weights,
|
||||||
|
start_expert_id,
|
||||||
|
end_expert_id,
|
||||||
|
topk,
|
||||||
|
)
|
||||||
|
return output
|
||||||
|
|
||||||
|
|
||||||
|
def run_triton_kernel(
|
||||||
|
down_output: torch.Tensor,
|
||||||
|
output: torch.Tensor,
|
||||||
|
src2dst: torch.Tensor,
|
||||||
|
topk_ids: torch.Tensor,
|
||||||
|
topk_weights: torch.Tensor,
|
||||||
|
start_expert_id: int,
|
||||||
|
end_expert_id: int,
|
||||||
|
topk: int,
|
||||||
|
hidden_size: int,
|
||||||
|
):
|
||||||
|
batch_size = down_output.size(0)
|
||||||
|
block_size = 512
|
||||||
|
|
||||||
|
post_reorder_triton_kernel[(batch_size,)](
|
||||||
|
down_output,
|
||||||
|
output,
|
||||||
|
src2dst,
|
||||||
|
topk_ids,
|
||||||
|
topk_weights,
|
||||||
|
start_expert_id,
|
||||||
|
end_expert_id,
|
||||||
|
topk,
|
||||||
|
hidden_size,
|
||||||
|
block_size,
|
||||||
|
)
|
||||||
|
return output
|
||||||
|
|
||||||
|
|
||||||
|
def assert_close(a, b):
|
||||||
|
a32, b32 = a.float(), b.float()
|
||||||
|
if a.dtype is torch.float16:
|
||||||
|
torch.testing.assert_close(a32, b32, rtol=1e-5, atol=1e-2)
|
||||||
|
elif a.dtype is torch.bfloat16:
|
||||||
|
torch.testing.assert_close(a32, b32, rtol=1e-4, atol=1e-1)
|
||||||
|
else:
|
||||||
|
torch.testing.assert_close(a32, b32, rtol=1e-5, atol=1e-5)
|
||||||
|
|
||||||
|
|
||||||
|
@pytest.mark.parametrize(
|
||||||
|
"batch_size,hidden_size,topk",
|
||||||
|
list(itertools.product([32, 64], [128, 256, 512], [2, 4, 8])),
|
||||||
|
)
|
||||||
|
@pytest.mark.parametrize("dtype", [torch.float16, torch.bfloat16, torch.float32])
|
||||||
|
def test_ep_moe_post_reorder_vs_triton(
|
||||||
|
batch_size: int,
|
||||||
|
hidden_size: int,
|
||||||
|
topk: int,
|
||||||
|
dtype: torch.dtype,
|
||||||
|
):
|
||||||
|
device = torch.device("cuda")
|
||||||
|
start_expert_id = 0
|
||||||
|
end_expert_id = 15
|
||||||
|
|
||||||
|
(
|
||||||
|
down_output,
|
||||||
|
src2dst,
|
||||||
|
topk_ids,
|
||||||
|
topk_weights,
|
||||||
|
) = create_test_tensors(
|
||||||
|
batch_size,
|
||||||
|
hidden_size,
|
||||||
|
topk,
|
||||||
|
start_expert_id,
|
||||||
|
end_expert_id,
|
||||||
|
dtype,
|
||||||
|
device,
|
||||||
|
)
|
||||||
|
|
||||||
|
output_cuda = torch.empty(batch_size, hidden_size, dtype=dtype, device=device)
|
||||||
|
output_triton = torch.empty(batch_size, hidden_size, dtype=dtype, device=device)
|
||||||
|
|
||||||
|
cuda_output = run_cuda_kernel(
|
||||||
|
down_output,
|
||||||
|
output_cuda,
|
||||||
|
src2dst,
|
||||||
|
topk_ids,
|
||||||
|
topk_weights,
|
||||||
|
start_expert_id,
|
||||||
|
end_expert_id,
|
||||||
|
topk,
|
||||||
|
)
|
||||||
|
|
||||||
|
triton_output = run_triton_kernel(
|
||||||
|
down_output,
|
||||||
|
output_triton,
|
||||||
|
src2dst,
|
||||||
|
topk_ids,
|
||||||
|
topk_weights,
|
||||||
|
start_expert_id,
|
||||||
|
end_expert_id,
|
||||||
|
topk,
|
||||||
|
hidden_size,
|
||||||
|
)
|
||||||
|
|
||||||
|
assert_close(cuda_output, triton_output)
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == "__main__":
|
||||||
|
pytest.main([__file__])
|
||||||
Reference in New Issue
Block a user