torch_npu.contrib.module.LinearWeightQuant

功能描述

LinearWeightQuant是对torch_npu.npu_weight_quant_batchmatmul接口的封装类，完成矩阵乘计算中的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

torch_npu.contrib.module.LinearWeightQuant(in_features, out_features, bias=True, device=None, dtype=None, antiquant_offset=False, quant_scale=False, quant_offset=False, antiquant_group_size=0, inner_precise=0)

参数说明

• in_features：int类型，伪量化matmul计算中的k轴的值。
• out_features：int类型，伪量化matmul计算中的n轴的值。
• bias：bool类型，可选参数，默认为True，代表是否需要bias计算参数。如果设置成False，则bias不会加入伪量化matmul的计算。
• device：string类型，可选参数，用于执行model的device名称，默认为None。

• dtype：torch支持的dtype类型，可选参数，默认为None，伪量化matmul运算中的输入x的dtype。
• antiquant_offset：bool类型，可选参数，默认为False，代表是否需要antiquant_offset计算参数。如果设置成False，则weight矩阵反量化时无需设置offset。
• quant_scale：bool类型，可选参数，默认为False，代表是否需要quant_scale计算参数。如果设置成False，则伪量化输出不会进行量化计算。
• quant_offset：bool类型，可选参数，默认为False，代表是否需要quant_offset计算参数。如果设置成False，则对伪量化输出进行量化计算时无需设置offset。
• antiquant_group_size：int类型，可选参数，用于控制pergroup场景下的group大小，当前默认为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。

输入说明

变量说明

• weight：Device侧Tensor类型，即矩阵乘中的weight。数据格式支持ND、FRACTAL_NZ，支持非连续的Tensor，支持输入维度为两维(N, K)。
  • 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格式只在图模式有效，依赖接口torchair.experimental.inference.use_internal_format_weight完成数据格式从ND到FRACTAL_NZ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。支持非连续的Tensor，支持输入维度为两维(N, 1)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(N，ceil_div(K，antiquant_group_size))。
    • 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(N，ceil_div(K，antiquant_group_size))。
    • 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。数据格式支持ND。支持非连续的Tensor，支持输入维度为两维(N, 1)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(N，ceil_div(K，antiquant_group_size))。
    • 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(N，ceil_div(K，antiquant_group_size))。
    • 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。仅在weight格式为ND时支持，数据格式支持ND，数据类型支持FLOAT32、INT64，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。仅在weight格式为ND时支持，数据格式支持ND，数据类型支持FLOAT32，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，数据格式支持ND，数据类型支持FLOAT16、FLOAT32，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，默认为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。

输出说明

输出为Device侧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(N,K)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，per-channel场景需满足weight为转置输入；per-group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 推理系列产品
• Atlas A3 训练系列产品

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 22 23 24 25 26

  import torch import torch_npu from torch_npu.contrib.module import LinearWeightQuant x = torch.randn((8192, 320),device='npu',dtype=torch.float16) weight = torch.randn((320, 256),device='npu',dtype=torch.int8) antiquantscale = torch.randn((1, 256),device='npu',dtype=torch.float16) antiquantoffset = torch.randn((1, 256),device='npu',dtype=torch.float16) quantscale = torch.randn((1, 256),device='npu',dtype=torch.float) quantoffset = torch.randn((1, 256),device='npu',dtype=torch.float) model = LinearWeightQuant(in_features=320, out_features=256, bias=False, dtype=torch.float16, antiquant_offset=True, quant_scale=True, quant_offset=True, antiquant_group_size=0, device=torch.device(f'npu:0') ) model.npu() model.weight.data = weight.transpose(-1, -2) model.antiquant_scale.data = antiquantscale.transpose(-1, -2) model.antiquant_offset.data = antiquantoffset.transpose(-1, -2) model.quant_scale.data = torch_npu.npu_trans_quant_param(quantscale, quantoffset) model.quant_offset.data = quantoffset out = model(x)

• 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 torch_npu.contrib.module import LinearWeightQuant from torchair.configs.compiler_config import CompilerConfig config = CompilerConfig() config.debug.graph_dump.type = "pbtxt" npu_backend = tng.get_npu_backend(compiler_config=config) x = torch.randn((8192, 320),device='npu',dtype=torch.bfloat16) weight = torch.randn((320, 256),device='npu',dtype=torch.int8) antiquantscale = torch.randn((1, 256),device='npu',dtype=torch.bfloat16) antiquantoffset = torch.randn((1, 256),device='npu',dtype=torch.bfloat16) quantscale = torch.randn((1, 256),device='npu',dtype=torch.float) quantoffset = torch.randn((1, 256),device='npu',dtype=torch.float) model = LinearWeightQuant(in_features=320, out_features=256, bias=False, dtype=torch.bfloat16, antiquant_offset=True, quant_scale=True, quant_offset=True, antiquant_group_size=0, device=torch.device(f'npu:0') ) model.npu() model.weight.data = weight.transpose(-1, -2) model.antiquant_scale.data = antiquantscale.transpose(-1, -2) model.antiquant_offset.data = antiquantoffset.transpose(-1, -2) model.quant_scale.data = quantscale model.quant_offset.data = quantoffset tng.experimental.inference.use_internal_format_weight(model) # 将ND的weight输入转为FRACTAL_NZ格式 model = torch.compile(model, backend=npu_backend, dynamic=False) out = model(x)