torch_npu.contrib.module.LinearA8W8Quant

功能描述

LinearA8W8Quant是对torch_npu.npu_quant_matmul接口的封装类，完成A8W8量化算子的矩阵乘计算。

接口原型

torch_npu.contrib.module.LinearA8W8Quant(in_features, out_features, *, bias=True, offset=False, pertoken_scale=False, output_dtype=None)

参数说明

• in_features（计算参数）：int类型，matmul计算中k轴的值。
• out_features（计算参数）：int类型，matmul计算中n轴的值。
• bias（计算参数）：bool类型，代表是否需要bias计算参数。如果设置成False，则bias不会加入量化matmul的计算。
• offset（计算参数）：bool类型，代表是否需要offset计算参数。如果设置成False，则offset不会加入量化matmul的计算。
• pertoken_scale（计算参数）：bool类型，代表是否需要pertoken_scale计算参数。如果设置成False，则pertoken_scale不会加入量化matmul的计算。Atlas 推理系列产品当前不支持pertoken_scale。
• output_dtype（计算参数）：ScalarType类型，表示输出Tensor的数据类型。默认值为None，代表输出Tensor数据类型为INT8。
  • Atlas 推理系列加速卡产品：支持输入torch.int8、torch.float16。
  • Atlas A2 训练系列产品/Atlas 800I A2 推理产品：支持输入torch.int8、torch.float16、torch.bfloat16。
  • Atlas A3 训练系列产品：支持输入torch.int8、torch.float16、torch.bfloat16。

输入说明

x1（计算输入）：Device侧的Tensor类型，数据类型支持INT8。数据格式支持ND，shape需要在2-6维范围。

变量说明

• weight（变量）：Device侧的Tensor类型，矩阵乘中的weight。数据格式支持INT8。数据格式支持ND，shape为(batch, n, k)，shape需要在2-6维范围。
  • Atlas 推理系列加速卡产品：需要调用torchair.experimental.inference.use_internal_format_weight或torch_npu.npu_format_cast完成weight（batch, n, k）高性能数据排布功能。
  • Atlas A2 训练系列产品/Atlas 800I A2 推理产品：需要调用torch_npu.npu_format_cast完成weight（batch,n,k）高性能数据排布功能，但不推荐使用该module方式，推荐torch_npu.npu_quant_matmul。
  • Atlas A3 训练系列产品：需要调用npu_format_cast完成weight（batch,n,k）高性能数据排布功能，但不推荐使用该module方式，推荐torch_npu.npu_quant_matmul。
• scale（变量）：Device侧的Tensor类型，量化计算的scale。数据格式支持ND，shape是1维(t,)，t=1或n，其中n与weight的n一致。如需传入INT64数据类型的scale，需要提前调用torch_npu.npu_trans_quant_param接口来获取INT64数据类型的scale。
  • Atlas 推理系列加速卡产品：数据类型支持FLOAT32、INT64。
  • Atlas A2 训练系列产品/Atlas 800I A2 推理产品：数据类型支持FLOAT32、INT64、BFLOAT16。
  • Atlas A3 训练系列产品：数据类型支持FLOAT32、INT64、BFLOAT16。
• offset（变量）：Device侧的Tensor类型，量化计算的offset。可选参数。数据类型支持FLOAT32，数据格式支持ND，shape是1维(t,)，t=1或n，其中n与weight的n一致。
• pertoken_scale（变量）：Device侧的Tensor类型，可选参数。量化计算的pertoken。数据类型支持FLOAT32，数据格式支持ND，shape是1维(m,)，其中m与x1的m一致。目前仅在输出为FLOAT16和BFLOAT16场景下可不为空。Atlas 推理系列产品当前不支持pertoken_scale。
• bias（变量）：Device侧的Tensor类型，可选参数。矩阵乘中的bias。数据格式支持ND，shape支持1维(n,)或3维(batch,1,n)，n与weight的n一致，同时batch值需要等于x1，weight boardcast后推导出的batch值。当输出为2、4、5、6维情况下，bias shape为1维；当输出为3维情况下，bias shape为1维或3维。
  • Atlas 推理系列加速卡产品：数据类型支持INT32。
  • Atlas A2 训练系列产品/Atlas 800I A2 推理产品：数据类型支持INT32、BFLOAT16、FLOAT16、FLOAT32。
  • Atlas A3 训练系列产品：数据类型支持INT32、BFLOAT16、FLOAT16、FLOAT32。
• output_dtype（变量）：Device侧的ScalarType类型，可选参数。表示输出Tensor的数据类型。默认值为None，代表输出Tensor数据类型为INT8。
  • Atlas 推理系列加速卡产品：支持输入torch.int8、torch.float16。
  • Atlas A2 训练系列产品/Atlas 800I A2 推理产品：支持输入torch.int8、torch.float16、torch.bfloat16。
  • Atlas A3 训练系列产品：支持输入torch.int8、torch.float16、torch.bfloat16。

输出说明

一个Tensor类型的输出，代表量化matmul的计算结果：

• 如果output_dtype为torch.float16，输出的数据类型为FLOAT16。
• 如果output_dtype为torch.bfloat16，输出的数据类型为BFLOAT16。
• 如果output_dtype为torch.int8或者None，输出的数据类型为INT8。

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）。
• x1、weight、scale不能是空。
• x1与x2最后一维的shape大小不能超过65535。
• 输入参数或变量间支持的数据类型组合情况如下：

  表1 Atlas 推理系列产品

  x1（入参）	weight（变量）	scale（变量）	offset（变量）	bias（变量）	pertoken_scale（变量）	output_dtype（入参或变量）
  int8	int8	int64/float32	None	int32/None	None	float16
  int8	int8	int64/float32	float32/None	int32/None	None	int8
  注：None表示传入参数或变量为False的场景。

  表2 Atlas A2 训练系列产品/Atlas 800I A2 推理产品和Atlas A3 训练系列产品

  x1（入参）	weight（变量）	scale（变量）	offset（变量）	bias（变量）	pertoken_scale（变量）	output_dtype（入参或变量）
  int8	int8	int64/float32	None	int32/None	None	float16
  int8	int8	int64/float32	float32/None	int32/None	None	int8
  int8	int8	float32/bfloat16	None	int32/bfloat16/float32/None	float32/None	bfloat16
  int8	int8	float32	None	int32/float16/float32/None	float32/None	float16
  注：None表示传入参数或变量为False的场景。

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 推理系列产品

调用示例

• 单算子模式调用

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

  # int8类型输入 import torch import torch_npu import logging import os from torch_npu.contrib.module import LinearA8W8Quant x1 = torch.randint(-1, 1, (1, 512), dtype=torch.int8).npu() x2 = torch.randint(-1, 1, (128, 512), dtype=torch.int8).npu() scale = torch.randn(1, dtype=torch.float32).npu() offset = torch.randn(128, dtype=torch.float32).npu() bias = torch.randint(-1,1, (128,), dtype=torch.int32).npu() in_features = 512 out_features = 128 output_dtype = torch.int8 model = LinearA8W8Quant(in_features, out_features, bias=True, offset=True, output_dtype=output_dtype) model = model.npu() model.weight.data = x2 model.scale.data = scale model.offset.data = offset model.bias.data = bias output = model(x1)

• 图模式调用

  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

  import torch import torch_npu import torchair as tng from torchair.ge_concrete_graph import ge_apis as ge from torchair.configs.compiler_config import CompilerConfig from torch_npu.contrib.module import LinearA8W8Quant import logging from torchair.core.utils import logger logger.setLevel(logging.DEBUG) import os import numpy as np os.environ["ENABLE_ACLNN"] = "true" config = CompilerConfig() npu_backend = tng.get_npu_backend(compiler_config=config) x1 = torch.randint(-1, 1, (1, 512), dtype=torch.int8).npu() x2 = torch.randint(-1, 1, (128, 512), dtype=torch.int8).npu() scale = torch.randn(1, dtype=torch.float32).npu() offset = torch.randn(128, dtype=torch.float32).npu() bias = torch.randint(-1,1, (128,), dtype=torch.int32).npu() in_features = 512 out_features = 128 output_dtype = torch.int8 model = LinearA8W8Quant(in_features, out_features, bias=True, offset=True, output_dtype=output_dtype) model = model.npu() model.weight.data = x2 model.scale.data = scale model.offset.data = offset if output_dtype != torch.bfloat16: # 包含npu_trans_quant_param功能，Atlas 推理系列产品还包含使能高带宽的x2数据排布功能 tng.experimental.inference.use_internal_format_weight(model) model.bias.data = bias model = torch.compile(model, backend=npu_backend, dynamic=False) output = model(x1)