torch_npu.npu_weight_quant_batchmatmul

功能描述

该接口用于实现矩阵乘计算中的weight输入和输出的量化操作，支持pertensor、perchannel、pergroup多场景量化。

当前Atlas 推理系列加速卡产品仅支持perchannel量化。

接口原型

npu_weight_quant_batchmatmul(Tensor x, Tensor weight, Tensor antiquant_scale, Tensor? antiquant_offset=None, Tensor? quant_scale=None, Tensor? quant_offset=None, Tensor? bias=None, int antiquant_group_size=0, int inner_precise=0) -> Tensor

参数说明

• x : Device侧Tensor类型，即矩阵乘中的x。数据格式支持ND，支持带transpose的非连续的Tensor，支持输入维度为两维(M, K) 。
  • Atlas A2 训练系列产品/Atlas 800I A2 推理产品：数据类型支持FLOAT16、BFLOAT16。
  • Atlas A3 训练系列产品：数据类型支持FLOAT16、BFLOAT16。
  • Atlas 推理系列加速卡产品：数据类型仅支持FLOAT16。
• weight：Device侧Tensor类型，即矩阵乘中的weight。数据格式支持ND、FRACTAL_NZ，支持带transpose的非连续的Tensor，支持输入维度为两维(K,N)，维度需与x保持一致。perchannel场景为提高性能，推荐使用transpose后的weight输入，可以参考调用示例。
  • Atlas A2 训练系列产品/Atlas 800I A2 推理产品：数据类型支持INT8、INT32（通过INT32承载INT4的输入，可以参考torch_npu.npu_convert_weight_to_int4pack调用示例）。
  • Atlas A3 训练系列产品：数据类型支持INT8、INT32（通过INT32承载INT4的输入，可以参考torch_npu.npu_convert_weight_to_int4pack调用示例）。
  • Atlas 推理系列加速卡产品：数据类型支持INT8。weight FRACTAL_NZ格式传入只在图模式有效，需依赖接口torch_npu.npu_format_cast完成数据格式从ND到FRACTAL_NZ的转换，可参考调用示例。
• antiquant_scale：Device侧Tensor类型，反量化的scale，用于weight矩阵反量化，数据格式支持ND。支持带transpose的非连续的Tensor，支持输入维度为两维(1, N)或 一维(N, )、(1, )。
  • Atlas A2 训练系列产品/Atlas 800I A2 推理产品：数据类型支持FLOAT16、BFLOAT16、INT64。pergroup场景shape要求为(ceil_div(K, antiquant_group_size), N)。
    • 若数据类型为FLOAT16、BFLOAT16， 其数据类型需要和x保持一致。
    • 若数据类型为INT64，则x的数据类型必须为FLOAT16且不带transpose输入，同时weight的数据类型必须为INT8、数据格式为ND、带transpose输入，可参考调用示例。此时只支持perchannel场景，M范围为[1, 96]，且K和N要求64对齐。
  • Atlas A3 训练系列产品：数据类型支持FLOAT16、BFLOAT16、INT64。pergroup场景shape要求为(ceil_div(K, antiquant_group_size), N)。
    • 若数据类型为FLOAT16、BFLOAT16， 其数据类型需要和x保持一致。
    • 若数据类型为INT64，则x的数据类型必须为FLOAT16且不带transpose输入，同时weight的数据类型必须为INT8、数据格式为ND、带transpose输入，可参考调用示例。此时只支持perchannel场景，M范围为[1, 96]，且K和N要求64对齐。
  • Atlas 推理系列加速卡产品：数据类型支持FLOAT16，其数据类型需要和x保持一致。
• antiquant_offset：Device侧Tensor类型，反量化的offset，用于weight矩阵反量化，为可选参数，默认值为None，数据格式支持ND，支持带transpose的非连续的Tensor，支持输入维度为两维(1, N)或 一维(N, )、(1, )。
  • Atlas A2 训练系列产品/Atlas 800I A2 推理产品：数据类型支持FLOAT16、BFLOAT16、INT32。pergroup场景shape要求为(ceil_div(K, antiquant_group_size), N)。
    • 若数据类型为FLOAT16、BFLOAT16，其数据类型需要和antiquant_scale保持一致。
    • 若数据类型为INT32，则antiquant_scale的数据类型必须为INT64。
  • Atlas A3 训练系列产品：数据类型支持FLOAT16、BFLOAT16、INT32。pergroup场景shape要求为(ceil_div(K, antiquant_group_size), N)。
    • 若数据类型为FLOAT16、BFLOAT16，其数据类型需要和antiquant_scale保持一致。
    • 若数据类型为INT32，则antiquant_scale的数据类型必须为INT64。
  • Atlas 推理系列加速卡产品：数据类型仅支持FLOAT16，其数据类型需要和antiquant_scale保持一致。
• quant_scale：Device侧Tensor类型，量化的scale，用于输出矩阵的量化，可选参数，默认值为None，仅在weight格式为ND时支持。数据类型支持FLOAT32、INT64，数据格式支持ND，支持输入维度为两维(1, N) 或 一维(N, )、(1, )。当antiquant_scale的数据类型为INT64时，此参数必须为空。
  • Atlas 推理系列加速卡产品：暂不支持此参数。
• quant_offset: Device侧Tensor类型，量化的offset，用于输出矩阵的量化，可选参数，默认值为None，仅在weight格式为ND时支持。数据类型支持FLOAT32，数据格式支持ND，支持输入维度为两维(1, N) 或 一维(N, )、(1, )。当antiquant_scale的数据类型为INT64时，此参数必须为空。
  • Atlas 推理系列加速卡产品：暂不支持此参数。
• bias：Device侧Tensor类型， 即矩阵乘中的bias，可选参数，默认值为None，数据格式支持ND，数据类型支持FLOAT16、FLOAT32， 不支持非连续的Tensor，支持输入维度为两维(1, N) 或 一维(N, )、(1, )。
• antiquant_group_size：int类型， 用于控制pergroup场景下的group大小，为可选参数，默认值为0。传入值的范围为[32, K-1]且值要求是32的倍数。
  • Atlas 推理系列加速卡产品：暂不支持此参数。
• inner_precise: int类型，计算模式选择， 默认为0。0表示高精度模式，1表示高性能模式，可能会影响精度。当weight以INT32类型且以FRACTAL_NZ格式输入，M不大于16的pergroup场景下可以设置为1，提升性能。其他场景不建议使用高性能模式。

输出说明

输出为Tensor类型，代表计算结果。当输入存在quant_scale时输出数据类型为INT8，当输入不存在quant_scale时输出数据类型和输入x一致。

约束说明

• 该接口仅在推理场景下使用。
• 该接口支持图模式（目前仅支持PyTorch 2.1版本）。当输入weight为FRACTAL_NZ格式时暂不支持单算子调用，只支持图模式调用。
• x和weight后两维必须为(M,K)和(K,N)格式，K、N的范围为[1, 65535]；在x为非转置时，M的范围为[1, 2^31-1]，在x为转置时，M的范围为[1, 65535]。
• 不支持空Tensor输入。
• antiquant_scale和antiquant_offset的输入shape要保持一致。
• quant_scale和quant_offset的输入shape要保持一致，且quant_offset不能独立于quant_scale存在。
• 当x输入类型为BFLOAT16类型时候，bias的输入类型为FLOAT32；当x输入类型为FLOAT16类型时候，bias的输入类型为FLOAT16。
• 如需传入INT64数据类型的quant_scale，需要提前调用torch_npu.npu_trans_quant_param接口将数据类型为FLOAT32的quant_scale和quant_offset转换为数据类型为INT64的quant_scale输入，可参考调用示例。
• 当输入weight为FRACTAL_NZ格式且类型为INT32时，perchannel场景需满足weight为转置输入；pergroup场景需满足x为转置输入，weight为非转置输入，antiquant_group_size为64或128，K为antiquant_group_size对齐，N为64对齐。

支持的型号

• Atlas A2 训练系列产品/Atlas 800I A2 推理产品
• Atlas A3 训练系列产品
• Atlas 推理系列加速卡产品

调用示例

• 单算子模式调用
  • weight非transpose场景

    1 2 3 4 5 6 7 8 9 10 11

    import torch import torch_npu cpu_x = torch.randn((8192, 320),dtype=torch.float16) cpu_weight = torch.randint(low=-8, high=8, size=(320, 256),dtype=torch.int8) cpu_antiquantscale = torch.randn((1, 256),dtype=torch.float16) cpu_antiquantoffset = torch.randn((1, 256),dtype=torch.float16) cpu_quantscale = torch.randn((1, 256),dtype=torch.float32) cpu_quantoffset = torch.randn((1, 256),dtype=torch.float32) quantscale= torch_npu.npu_trans_quant_param(cpu_quantscale.npu(), cpu_quantoffset.npu()) npu_out = torch_npu.npu_weight_quant_batchmatmul(cpu_x.npu(), cpu_weight.npu(), cpu_antiquantscale.npu(), cpu_antiquantoffset.npu(),quantscale.npu())

  • weight transpose场景

    1 2 3 4 5 6 7

    import torch import torch_npu cpu_x = torch.randn((96, 320),dtype=torch.float16) cpu_weight = torch.randint(low=-8, high=8, size=(256, 320),dtype=torch.int8) cpu_antiquantscale = torch.randn((256,1),dtype=torch.float16) cpu_antiquantoffset = torch.randint(-128, 127, (256,1), dtype=torch.float16) npu_out = torch_npu.npu_weight_quant_batchmatmul(cpu_x.npu(), cpu_weight.npu().transpose(-1, -2), cpu_antiquantscale.npu().transpose(-1, -2), cpu_antiquantoffset.npu().transpose(-1, -2))

  • antiquant_scale INT64输入场景

    1 2 3 4 5 6 7 8 9

    import torch import torch_npu cpu_x = torch.randn((96, 320),dtype=torch.float16) cpu_weight = torch.randint(low=-8, high=8, size=(256, 320),dtype=torch.int8) cpu_antiquantscale = torch.randn((256),dtype=torch.float16) # 构建int64类型的scale参数 antiquant_scale = torch_npu.npu_trans_quant_param(cpu_antiquantscale.to(torch.float32).npu()).reshape(256, 1) cpu_antiquantoffset = torch.randint(-128, 127, (256, 1), dtype=torch.int32) npu_out = torch_npu.npu_weight_quant_batchmatmul(cpu_x.npu(), cpu_weight.transpose(-1,-2).npu(), antiquant_scale.transpose(-1,-2).npu(), cpu_antiquantoffset.transpose(-1,-2).npu())

• 图模式调用
  • weight输入为ND格式

    1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

    # 图模式 import torch import torch_npu import torchair as tng from torchair.configs.compiler_config import CompilerConfig config = CompilerConfig() config.debug.graph_dump.type = "pbtxt" npu_backend = tng.get_npu_backend(compiler_config=config) cpu_x = torch.randn((8192, 320),device='npu',dtype=torch.bfloat16) cpu_weight = torch.randn((320, 256),device='npu',dtype=torch.int8) cpu_antiquantscale = torch.randn((1, 256),device='npu',dtype=torch.bfloat16) cpu_antiquantoffset = torch.randn((1, 256),device='npu',dtype=torch.bfloat16) class MyModel(torch.nn.Module): def __init__(self): super().__init__() def forward(self, x, weight, antiquant_scale, antiquant_offset, quant_scale,quant_offset, bias, antiquant_group_size): return torch_npu.npu_weight_quant_batchmatmul(x, weight, antiquant_scale, antiquant_offset, quant_scale ,quant_offset, bias, antiquant_group_size) cpu_model = MyModel() model = cpu_model.npu() model = torch.compile(cpu_model, backend=npu_backend, dynamic=True) npu_out = model(cpu_x.npu(), cpu_weight.npu(), cpu_antiquantscale.npu(), cpu_antiquantoffset.npu(), None, None, None, 0)

  • Atlas 推理系列加速卡产品：weight输入为FRACTAL_NZ格式

    1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59

    import torch_npu import torch from torchair.configs.compiler_config import CompilerConfig import torchair as tng config = CompilerConfig() config.debug.graph_dump.type = "pbtxt" npu_backend = tng.get_npu_backend(compiler_config=config) class NPUQuantizedLinearA16W8(torch.nn.Module): def __init__(self, weight, antiquant_scale, antiquant_offset, quant_offset=None, quant_scale=None, bias=None, transpose_x=False, transpose_weight=True, w4=False): super().__init__() self.dtype = torch.float16 self.weight = weight.to(torch.int8).npu() self.transpose_weight = transpose_weight if self.transpose_weight: self.weight = torch_npu.npu_format_cast(self.weight.contiguous(), 29) else: self.weight = torch_npu.npu_format_cast(self.weight.transpose(0, 1).contiguous(), 29) # n,k ->nz self.bias = None self.antiquant_scale = antiquant_scale self.antiquant_offset = antiquant_offset self.quant_offset = quant_offset self.quant_scale = quant_scale self.transpose_x = transpose_x def forward(self, x): x = torch_npu.npu_weight_quant_batchmatmul(x.transpose(0, 1) if self.transpose_x else x, self.weight.transpose(0, 1), self.antiquant_scale.transpose(0, 1), self.antiquant_offset.transpose(0, 1), self.quant_scale, self.quant_offset, self.bias) return x m, k, n = 4, 1024, 4096 cpu_x = torch.randn((m, k),dtype=torch.float16) cpu_weight = torch.randint(1, 10, (k, n),dtype=torch.int8) cpu_weight = cpu_weight.transpose(-1, -2) cpu_antiquantscale = torch.randn((1, n),dtype=torch.float16) cpu_antiquantoffset = torch.randn((1, n),dtype=torch.float16) cpu_antiquantscale = cpu_antiquantscale.transpose(-1, -2) cpu_antiquantoffset = cpu_antiquantoffset.transpose(-1, -2) model = NPUQuantizedLinearA16W8(cpu_weight.npu(), cpu_antiquantscale.npu(), cpu_antiquantoffset.npu()) model = torch.compile(model, backend=npu_backend, dynamic=True) out = model(cpu_x.npu())