[EP] Add cuda kernel for moe_ep_pre_reorder (#6699)
Co-authored-by: luoyuan.luo <luoyuan.luo@antgroup.com>
This commit is contained in:
@@ -224,6 +224,7 @@ set(SOURCES
|
|||||||
"csrc/moe/moe_topk_softmax_kernels.cu"
|
"csrc/moe/moe_topk_softmax_kernels.cu"
|
||||||
"csrc/moe/fp8_blockwise_moe_kernel.cu"
|
"csrc/moe/fp8_blockwise_moe_kernel.cu"
|
||||||
"csrc/moe/prepare_moe_input.cu"
|
"csrc/moe/prepare_moe_input.cu"
|
||||||
|
"csrc/moe/ep_moe_reorder_kernel.cu"
|
||||||
"csrc/speculative/eagle_utils.cu"
|
"csrc/speculative/eagle_utils.cu"
|
||||||
"csrc/speculative/speculative_sampling.cu"
|
"csrc/speculative/speculative_sampling.cu"
|
||||||
"csrc/speculative/packbit.cu"
|
"csrc/speculative/packbit.cu"
|
||||||
|
|||||||
100
sgl-kernel/benchmark/bench_moe_ep_pre_reorder.py
Normal file
100
sgl-kernel/benchmark/bench_moe_ep_pre_reorder.py
Normal file
@@ -0,0 +1,100 @@
|
|||||||
|
import itertools
|
||||||
|
|
||||||
|
import torch
|
||||||
|
import triton
|
||||||
|
import triton.language as tl
|
||||||
|
from sgl_kernel import ep_moe_pre_reorder
|
||||||
|
|
||||||
|
from sglang.srt.layers.moe.ep_moe.kernels import pre_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-pre-reorder-performance",
|
||||||
|
args={},
|
||||||
|
)
|
||||||
|
)
|
||||||
|
def benchmark(batch_size, provider):
|
||||||
|
dtype = torch.float32
|
||||||
|
device = torch.device("cuda")
|
||||||
|
hidden_size, topk, start_expert_id, end_expert_id, block_size = 4096, 8, 0, 255, 512
|
||||||
|
|
||||||
|
# Allocate fresh tensors for every run to match bench_moe_fused_gate style
|
||||||
|
def alloc_tensors():
|
||||||
|
input_ = torch.randn(batch_size, hidden_size, dtype=dtype, device=device)
|
||||||
|
gateup_input = torch.zeros(
|
||||||
|
batch_size * topk, 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,
|
||||||
|
)
|
||||||
|
a1_scales = torch.rand(
|
||||||
|
end_expert_id - start_expert_id + 1, dtype=torch.float32, device=device
|
||||||
|
)
|
||||||
|
return input_, gateup_input, src2dst, topk_ids, a1_scales
|
||||||
|
|
||||||
|
quantiles = [0.5, 0.2, 0.8]
|
||||||
|
|
||||||
|
if provider == "cuda":
|
||||||
|
|
||||||
|
def run_cuda():
|
||||||
|
inp, gout, s2d, tk_ids, scales = alloc_tensors()
|
||||||
|
ep_moe_pre_reorder(
|
||||||
|
inp,
|
||||||
|
gout,
|
||||||
|
s2d,
|
||||||
|
tk_ids,
|
||||||
|
scales,
|
||||||
|
start_expert_id,
|
||||||
|
end_expert_id,
|
||||||
|
topk,
|
||||||
|
True,
|
||||||
|
)
|
||||||
|
|
||||||
|
ms, min_ms, max_ms = triton.testing.do_bench(run_cuda, quantiles=quantiles)
|
||||||
|
|
||||||
|
elif provider == "triton":
|
||||||
|
|
||||||
|
def run_triton():
|
||||||
|
inp, gout, s2d, tk_ids, scales = alloc_tensors()
|
||||||
|
pre_reorder_triton_kernel[(batch_size,)](
|
||||||
|
inp.view(-1),
|
||||||
|
gout.view(-1),
|
||||||
|
s2d.view(-1),
|
||||||
|
tk_ids.view(-1),
|
||||||
|
scales,
|
||||||
|
start_expert_id,
|
||||||
|
end_expert_id,
|
||||||
|
topk,
|
||||||
|
hidden_size,
|
||||||
|
block_size,
|
||||||
|
True,
|
||||||
|
)
|
||||||
|
|
||||||
|
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)
|
||||||
@@ -150,6 +150,10 @@ TORCH_LIBRARY_FRAGMENT(sgl_kernel, m) {
|
|||||||
"n_share_experts_fusion, float routed_scaling_factor) -> "
|
"n_share_experts_fusion, float routed_scaling_factor) -> "
|
||||||
"(Tensor[])");
|
"(Tensor[])");
|
||||||
m.impl("moe_fused_gate", torch::kCUDA, &moe_fused_gate);
|
m.impl("moe_fused_gate", torch::kCUDA, &moe_fused_gate);
|
||||||
|
m.def(
|
||||||
|
"ep_moe_pre_reorder(Tensor input_ptr, Tensor gateup_input_ptr, Tensor src2dst_ptr, Tensor topk_ids_ptr, Tensor "
|
||||||
|
"a1_scales_ptr, 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.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 "
|
||||||
|
|||||||
89
sgl-kernel/csrc/moe/ep_moe_reorder_kernel.cu
Normal file
89
sgl-kernel/csrc/moe/ep_moe_reorder_kernel.cu
Normal file
@@ -0,0 +1,89 @@
|
|||||||
|
#include <ATen/ATen.h>
|
||||||
|
#include <ATen/cuda/CUDAContext.h>
|
||||||
|
#include <c10/cuda/CUDAGuard.h>
|
||||||
|
|
||||||
|
#include <THC/THCAtomics.cuh>
|
||||||
|
#include <flashinfer/vec_dtypes.cuh>
|
||||||
|
|
||||||
|
#include "utils.h"
|
||||||
|
|
||||||
|
__global__ void ep_pre_reorder_cuda_kernel(
|
||||||
|
const float* __restrict__ input_ptr,
|
||||||
|
float* __restrict__ gateup_input_ptr,
|
||||||
|
const int* __restrict__ src2dst_ptr,
|
||||||
|
const int* __restrict__ topk_ids_ptr,
|
||||||
|
const float* __restrict__ a1_scales_ptr,
|
||||||
|
int start_expert_id,
|
||||||
|
int end_expert_id,
|
||||||
|
int topk,
|
||||||
|
int hidden_size,
|
||||||
|
bool use_per_token_if_dynamic) {
|
||||||
|
int token_idx = blockIdx.x;
|
||||||
|
int tid = threadIdx.x;
|
||||||
|
|
||||||
|
const float* src_ptr = input_ptr + int64_t(token_idx) * hidden_size;
|
||||||
|
const int* token_src2dst = src2dst_ptr + token_idx * topk;
|
||||||
|
const int* token_topk_ids = topk_ids_ptr + token_idx * topk;
|
||||||
|
|
||||||
|
for (int k = 0; k < topk; ++k) {
|
||||||
|
int expert_id = token_topk_ids[k];
|
||||||
|
if (expert_id < start_expert_id || expert_id > end_expert_id) continue;
|
||||||
|
|
||||||
|
float scale = 1.0f;
|
||||||
|
|
||||||
|
if (a1_scales_ptr != nullptr and use_per_token_if_dynamic) {
|
||||||
|
scale = 1.0f / a1_scales_ptr[token_idx];
|
||||||
|
}
|
||||||
|
|
||||||
|
if (a1_scales_ptr != nullptr) {
|
||||||
|
if (!use_per_token_if_dynamic) {
|
||||||
|
scale = 1.0f / a1_scales_ptr[expert_id - start_expert_id];
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
int dst_idx = token_src2dst[k];
|
||||||
|
float* dst_ptr = gateup_input_ptr + int64_t(dst_idx) * hidden_size;
|
||||||
|
|
||||||
|
constexpr uint32_t vec_size = 16 / sizeof(float);
|
||||||
|
using vec_t = flashinfer::vec_t<float, vec_size>;
|
||||||
|
|
||||||
|
for (int idx = tid; idx < hidden_size / vec_size; idx += blockDim.x) {
|
||||||
|
vec_t input_vec, output_vec;
|
||||||
|
input_vec.cast_load(src_ptr + idx * vec_size);
|
||||||
|
#pragma unroll
|
||||||
|
for (uint32_t i = 0; i < vec_size; ++i) {
|
||||||
|
float val = static_cast<float>(input_vec[i]);
|
||||||
|
output_vec[i] = val * scale;
|
||||||
|
}
|
||||||
|
output_vec.cast_store(dst_ptr + idx * vec_size);
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
void ep_moe_pre_reorder(
|
||||||
|
torch::Tensor input,
|
||||||
|
torch::Tensor gateup_input,
|
||||||
|
torch::Tensor src2dst,
|
||||||
|
torch::Tensor topk_ids,
|
||||||
|
torch::Tensor a1_scales,
|
||||||
|
int64_t start_expert_id,
|
||||||
|
int64_t end_expert_id,
|
||||||
|
int64_t topk,
|
||||||
|
bool use_per_token_if_dynamic) {
|
||||||
|
int total_blocks = input.size(0);
|
||||||
|
int block_size = 512;
|
||||||
|
dim3 grid(total_blocks);
|
||||||
|
dim3 block(block_size);
|
||||||
|
int hidden_size = input.size(1);
|
||||||
|
ep_pre_reorder_cuda_kernel<<<grid, block>>>(
|
||||||
|
input.data_ptr<float>(),
|
||||||
|
gateup_input.data_ptr<float>(),
|
||||||
|
src2dst.data_ptr<int>(),
|
||||||
|
topk_ids.data_ptr<int>(),
|
||||||
|
a1_scales.defined() ? a1_scales.data_ptr<float>() : nullptr,
|
||||||
|
start_expert_id,
|
||||||
|
end_expert_id,
|
||||||
|
topk,
|
||||||
|
hidden_size,
|
||||||
|
use_per_token_if_dynamic);
|
||||||
|
}
|
||||||
@@ -240,6 +240,17 @@ void prepare_moe_input(
|
|||||||
const int64_t n,
|
const int64_t n,
|
||||||
const int64_t k);
|
const int64_t k);
|
||||||
|
|
||||||
|
void ep_moe_pre_reorder(
|
||||||
|
torch::Tensor input,
|
||||||
|
torch::Tensor gateup_input,
|
||||||
|
torch::Tensor src2dst,
|
||||||
|
torch::Tensor topk_ids,
|
||||||
|
torch::Tensor a1_scales,
|
||||||
|
int64_t start_expert_id,
|
||||||
|
int64_t end_expert_id,
|
||||||
|
int64_t topk,
|
||||||
|
bool use_per_token_if_dynamic);
|
||||||
|
|
||||||
/*
|
/*
|
||||||
* From csrc/speculative
|
* From csrc/speculative
|
||||||
*/
|
*/
|
||||||
|
|||||||
@@ -46,6 +46,7 @@ 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 (
|
||||||
|
ep_moe_pre_reorder,
|
||||||
fp8_blockwise_scaled_grouped_mm,
|
fp8_blockwise_scaled_grouped_mm,
|
||||||
moe_align_block_size,
|
moe_align_block_size,
|
||||||
moe_fused_gate,
|
moe_fused_gate,
|
||||||
|
|||||||
@@ -62,6 +62,30 @@ def moe_fused_gate(
|
|||||||
)
|
)
|
||||||
|
|
||||||
|
|
||||||
|
def ep_moe_pre_reorder(
|
||||||
|
input_tensor,
|
||||||
|
gateup_input,
|
||||||
|
src2dst,
|
||||||
|
topk_ids,
|
||||||
|
a1_scales,
|
||||||
|
start_expert_id,
|
||||||
|
end_expert_id,
|
||||||
|
topk,
|
||||||
|
use_per_token_if_dynamic,
|
||||||
|
):
|
||||||
|
return torch.ops.sgl_kernel.ep_moe_pre_reorder.default(
|
||||||
|
input_tensor,
|
||||||
|
gateup_input,
|
||||||
|
src2dst,
|
||||||
|
topk_ids,
|
||||||
|
a1_scales,
|
||||||
|
start_expert_id,
|
||||||
|
end_expert_id,
|
||||||
|
topk,
|
||||||
|
use_per_token_if_dynamic,
|
||||||
|
)
|
||||||
|
|
||||||
|
|
||||||
def fp8_blockwise_scaled_grouped_mm(
|
def fp8_blockwise_scaled_grouped_mm(
|
||||||
output,
|
output,
|
||||||
a_ptrs,
|
a_ptrs,
|
||||||
|
|||||||
Reference in New Issue
Block a user