SwiGLU
功能说明
SwiGLU是采用Swish作为激活函数的GLU变体。具体计算公式如下,其中PAR表示矢量计算单元一个迭代能够处理的元素个数:
其中Swish激活函数的计算公式如下(β为常量):
函数原型
- 通过sharedTmpBuffer入参传入临时空间
- 源操作数Tensor全部/部分参与计算
1 2
template <typename T, bool isReuseSource = false> __aicore__ inline void SwiGLU(LocalTensor<T> &dstTensor, const LocalTensor<T> &srcTensor0, const LocalTensor<T> &srcTensor1, const float &scalarValue, const LocalTensor<uint8_t> &sharedTmpBuffer, const uint32_t calCount)
- 源操作数Tensor全部参与计算
1 2
template <typename T, bool isReuseSource = false> __aicore__ inline void SwiGLU(LocalTensor<T> &dstTensor, const LocalTensor<T> &srcTensor0, const LocalTensor<T> &srcTensor1,const float &scalarValue, const LocalTensor<uint8_t> &sharedTmpBuffer)
- 源操作数Tensor全部/部分参与计算
- 接口框架申请临时空间
- 源操作数Tensor全部/部分参与计算
1 2
template <typename T, bool isReuseSource = false> __aicore__ inline void SwiGLU(LocalTensor<T> &dstTensor, const LocalTensor<T> &srcTensor0, const LocalTensor<T> &srcTensor1, const float &scalarValue, const uint32_t calCount)
- 源操作数Tensor全部参与计算
1 2
template <typename T, bool isReuseSource = false> __aicore__ inline void SwiGLU(LocalTensor<T> &dstTensor, LocalTensor<T> &srcTensor0, LocalTensor<T> &srcTensor1,const float &scalarValue)
- 源操作数Tensor全部/部分参与计算
由于该接口的内部实现中涉及复杂的数学计算,需要额外的临时空间来存储计算过程中的中间变量。临时空间支持开发者通过sharedTmpBuffer入参传入和接口框架申请两种方式。
- 通过sharedTmpBuffer入参传入,使用该tensor作为临时空间进行处理,接口框架不再申请。该方式开发者可以自行管理sharedTmpBuffer内存空间,并在接口调用完成后,复用该部分内存,内存不会反复申请释放,灵活性较高,内存利用率也较高。
- 接口框架申请临时空间,开发者无需申请,但是需要预留临时空间的大小。
通过sharedTmpBuffer传入的情况,开发者需要为tensor申请空间;接口框架申请的方式,开发者需要预留临时空间。临时空间大小BufferSize的获取方式如下:通过GetSwiGLUMaxMinTmpSize中提供的接口获取需要预留空间范围的大小。
参数说明
参数名 |
描述 |
---|---|
T |
操作数的数据类型。 |
isReuseSource |
是否允许修改源操作数。该参数预留,传入默认值false即可。 |
参数名 |
输入/输出 |
描述 |
---|---|---|
dstTensor |
输出 |
目的操作数。 类型为LocalTensor,支持的TPosition为VECIN/VECCALC/VECOUT。 Atlas推理系列产品AI Core,支持的数据类型为:half/float Atlas A2训练系列产品/Atlas 800I A2推理产品,支持的数据类型为:half/float |
srcTensor0/srcTensor1 |
输入 |
源操作数。 源操作数的数据类型需要与目的操作数保持一致。 类型为LocalTensor,支持的TPosition为VECIN/VECCALC/VECOUT。 Atlas推理系列产品AI Core,支持的数据类型为:half/float Atlas A2训练系列产品/Atlas 800I A2推理产品,支持的数据类型为:half/float |
scalarValue |
输入 |
激活函数中的β参数。支持的数据类型为:float。 |
calCount |
输入 |
实际计算数据元素个数,calCount∈[0, min(srcTensor0.GetSize(),srcTensor1.GetSize(),dstTensor.GetSize())]。 |
sharedTmpBuffer |
输入 |
临时缓存。 类型为LocalTensor,支持的TPosition为VECIN/VECCALC/VECOUT。 用于SwiGLU内部复杂计算时存储中间变量,由开发者提供。 临时空间大小BufferSize的获取方式请参考SwiGLU Tiling。 |
返回值
无
支持的型号
Atlas推理系列产品AI Core
Atlas A2训练系列产品/Atlas 800I A2推理产品
约束说明
- 操作数地址偏移对齐要求请参见通用约束。
- 不支持源操作数与目的操作数地址重叠。
- 当前仅支持ND格式的输入,不支持其他格式。
- 使用源操作数Tensor全部参与计算的接口,即不传入calCount的接口,要求srcTensor0、srcTensor1、dstTensor的大小必须保持一致。
调用示例
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 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 | #include "kernel_operator.h" template <typename srcType> class KernelSwiGLU { public: __aicore__ inline KernelSwiGLU(){} __aicore__ inline void Init(GM_ADDR src0Gm, GM_ADDR src1Gm, GM_ADDR dstGm, uint32_t srcSize, float beta) { betaValue = beta; dataSize = srcSize; src0Global.SetGlobalBuffer(reinterpret_cast<__gm__ srcType *>(src0Gm), dataSize); src1Global.SetGlobalBuffer(reinterpret_cast<__gm__ srcType *>(src1Gm), dataSize); dst_global.SetGlobalBuffer(reinterpret_cast<__gm__ srcType *>(dstGm), dataSize); pipe.InitBuffer(inQueueX, 1, dataSize * sizeof(srcType)); pipe.InitBuffer(inQueueY, 1, dataSize * sizeof(srcType)); pipe.InitBuffer(outQueue, 1, dataSize * sizeof(srcType)); if (sizeof(srcType) != sizeof(float)) { pipe.InitBuffer(calcBufs, dataSize * (sizeof(float) / sizeof(uint8_t)) * 3); } } __aicore__ inline void Process() { CopyIn(); Compute(); CopyOut(); } private: __aicore__ inline void CopyIn() { AscendC::LocalTensor<srcType> src0Local = inQueueX.AllocTensor<srcType>(); AscendC::LocalTensor<srcType> src1Local = inQueueY.AllocTensor<srcType>(); AscendC::DataCopy(src0Local, src0Global, dataSize); AscendC::DataCopy(src1Local, src1Global, dataSize); inQueueX.EnQue(src0Local); inQueueY.EnQue(src1Local); } __aicore__ inline void Compute() { AscendC::LocalTensor<srcType> dstLocal = outQueue.AllocTensor<srcType>(); AscendC::LocalTensor<srcType> src0Local = inQueueX.DeQue<srcType>(); AscendC::LocalTensor<srcType> src1Local = inQueueY.DeQue<srcType>(); AscendC::LocalTensor<uint8_t> tmpLocal; if (sizeof(srcType) != sizeof(float)) { tmpLocal = calcBufs.Get<uint8_t>(); AscendC::SwiGLU<srcType, false>(dstLocal, src0Local, src1Local, betaValue, tmpLocal, dataSize); } else { AscendC::SwiGLU<srcType, false>(dstLocal, src0Local, src1Local, betaValue, dataSize); } outQueue.EnQue<srcType>(dstLocal); inQueueX.FreeTensor(src0Local); inQueueY.FreeTensor(src1Local); } __aicore__ inline void CopyOut() { AscendC::LocalTensor<srcType> dstLocal = outQueue.DeQue<srcType>(); AscendC::DataCopy(dst_global, dstLocal, dataSize); outQueue.FreeTensor(dstLocal); } private: AscendC::GlobalTensor<srcType> src0Global; AscendC::GlobalTensor<srcType> src1Global; AscendC::GlobalTensor<srcType> dst_global; AscendC::TPipe pipe; AscendC::TQue<AscendC::QuePosition::VECIN, 1> inQueueX; AscendC::TQue<AscendC::QuePosition::VECIN, 1> inQueueY; AscendC::TQue<AscendC::QuePosition::VECOUT, 1> outQueue; AscendC::TBuf<AscendC::TPosition::VECCALC> calcBufs; uint32_t dataSize = 0; float betaValue = 0; }; template <typename dataType> __aicore__ void kernel_swiglu_operator(GM_ADDR src0Gm, GM_ADDR src1Gm, GM_ADDR dstGm, uint32_t srcSize) { KernelSwiGLU<dataType> op; float scalarValue = 1; op.Init(src0Gm, src1Gm, dstGm, srcSize, scalarValue); op.Process(); } |
输入数据(srcTensor0): [ 0.4065 -0.2167 -0.963 -3.895 -0.7275 3.227 -0.522 -2.299 -1.813 -1.569 3.764 1.407 -1.633 3.908 -0.9927 -2.234 1.545 2. -3.06 1.94 0.765 -1.313 3.27 2.055 2.842 2.979 2.732 2.533 2.03 1.154 -2.363 -2.451 ] 输入数据(srcTensor1) [-2.285 -1.502 2.783 -3.72 0.352 -2.615 0.8604 0.612 3.582 -3.102 -3.86 2.88 -0.2117 -0.592 -0.5586 1.315 0.4087 3.771 2.69 0.755 -2.154 -1.03 -3.459 -3.125 3.531 -0.657 3.885 2.807 0.469 -1.434 -3.455 -1.3 ] 输出数据(dstLocal): [-0.0858 0.05927 -2.523 0.3425 -0.1504 -0.575 -0.3157 -0.912 -6.32 0.2095 -0.2998 3.838 0.1545 -0.8237 0.2018 -2.316 0.3794 7.375 -7.707 0.9966 -0.1713 0.356 -0.345 -0.2703 9.75 -0.6685 10.4 6.703 0.5854 -0.3186 0.25 0.6826 ]