aclnnQuantMatmulAllReduceV4

📄 查看源码

产品支持情况

产品	是否支持
Ascend 950PR/Ascend 950DT	√
Atlas A3 训练系列产品/Atlas A3 推理系列产品	×
Atlas A2 训练系列产品/Atlas A2 推理系列产品	√
Atlas 200I/500 A2 推理产品	×
Atlas 推理系列产品	×
Atlas 训练系列产品	×

功能说明

• 接口功能：兼容aclnnQuantMatmulAllReduce、aclnnQuantMatmulAllReduceV2、aclnnQuantMatmulAllReduceV3支持的功能。

  • Atlas A2 训练系列产品/Atlas A2 推理系列产品：无新增特性。
  • Ascend 950PR/Ascend 950DT：新增perblock、pertile、mxfp量化方式。新增x1，x2输入支持dtype为FLOAT8_E4M3FN、FLOAT8_E5M2、HIFLOAT8、FLOAT4_E2M1。

• 计算公式：

  • 公式1，使能低bit通信的公式2或公式3场景：

    x1，x2为INT8，commQuantScale1Optional, commQuantScale2Optional不为空时:

    $$matmulAddOutput=(x2ScaleOptional\ast x1ScaleOptional\ast (x{1}_{int8}@x{2}_{int8}+biasOptiona{l}_{int32})+x3Optional);$$

    $$alltoallOutpu{t}_{int8}=AllToAll(matmulAddOutput/commQuantScale1Optional);$$

    $$reduceSumOutpu{t}_{int8}=(add(alltoallOutpu{t}_{int8})\ast (commQuantScale1Optional/commQuantScale2Optional));$$

    $$output=(AllGather(reduceSumOutpu{t}_{int8})\ast commQuantScale2Optional);$$

  • 公式2，perchannel量化 && pertensor量化：

    x1，x2为INT8，无x1ScaleOptional，x2ScaleOptional为INT64/UINT64，可选biasOptional为INT32，out为BFLOAT16/FLOAT16：

    $$output=AllReduce((x1@x2+biasOptional)\ast x2ScaleOptional+x3Optional)$$

  • 公式3，pertoken-perchannel量化 && pertoken-pertensor量化：

    x1，x2为INT8，x1ScaleOptional为FLOAT32，x2Scale为FLOAT32/BFLOAT16，可选biasOptional为INT32, out为FLOAT16/BFLOAT16：

    $$output=AllReduce((x1@x2+biasOptional)\ast x2ScaleOptional\ast x1ScaleOptional+x3Optional)$$

  • 公式4，MXFP量化：

    x1，x2为FLOAT4_E2M1/FLOAT8_E4M3FN/FLOAT8_E5M2，x1ScaleOptional为FLOAT8_E8M0，x2ScaleOptional为FLOAT8_E8M0，可选biasOptional为FLOAT32, out为FLOAT16/BFLOAT16/FLOAT32：

    $$output=AllReduce((x1\ast x1ScaleOptional)@(x2\ast x2ScaleOptional)+biasOptional+x3Optional)$$

  • 公式5，perchannel量化 && pertensor量化：

    x1，x2为FLOAT8_E4M3FN/FLOAT8_E5M2/HIFLOAT8，x2ScaleOptional为UINT/INT64，可选bias为FLOAT32, out为FLOAT16/BFLOAT16/FLOAT32：

  $$output=AllReduce((x1@x2+biasOptional)\ast x2ScaleOptional+x3Optional)$$

  • 公式6，pertoken-perchannel量化 && pertoken-pertensor量化：

    x1，x2为FLOAT8_E4M3FN/FLOAT8_E5M2/HIFLOAT8，x1ScaleOptional为FLOAT32，x2ScaleOptional为FLOAT32，可选bias为FLOAT32, out为FLOAT16/BFLOAT16/FLOAT32：

    $$output=AllReduce((x1@x2+biasOptional)\ast x2ScaleOptional\ast x1ScaleOptional+x3Optional)$$

  • 公式7，perblock-perblock量化：

    x1，x2为FLOAT8_E4M3FN/FLOAT8_E5M2/HIFLOAT8，x1ScaleOptional为FLOAT32，x2Scale为FLOAT32，无biasOptional。当x1为(a0, a1)，x2为(b0, b1)时x1ScaleOptional为(ceilDiv(a0，128)，ceilDiv(a1，128))，x2Scale为(ceilDiv(b0，128)，ceilDiv(b1，128))，out为FLOAT16/BFLOAT16/FLOAT32:

    $$outpu{t}_{pq}=AllReduce(\sum _0^{\lfloor \frac{k}{128}\rfloor }(x{1}_{pr}@x{2}_{rq}\ast (x1ScaleOptiona{l}_{pr}\ast x2Scal{e}_{rq}))+x3Optional)$$

  • 公式8，使能低bit通信，pertile量化：

    x1，x2为FLOAT8_E4M3FN/FLOAT8_E5M2，x1ScaleOptional为FLOAT32，x2Scale为FLOAT32，可选biasOptional为FLOAT32，commQuantMode为1，out为FLOAT16/BFLOAT16/FLOAT32:

  $$matmulAddOutpu{t}_{fp32}=(x2ScaleOptional\ast x1ScaleOptional\ast (x{1}_{fp8}@x{2}_{fp8}+biasOptiona{l}_{fp32})+x3Optional);$$

  $$scaleOu{t}_{fp32}=(matmulAddOutpu{t}_{fp32}/(reduceMax(abs(matmulAddOutpu{t}_{fp32}))/FP32\_MAX));$$

  $$quantOutpu{t}_{fp8}=(append((matmulAddOutpu{t}_{fp32}\ast scaleOutfp32)@scaleOu{t}_{fp32}));$$

  $$alltoallOutpu{t}_{fp8}=(AllToAll(quantOu{t}_{fp8}));$$

  $$dequantOutpu{t}_{fp32}=(alltoallOutpu{t}_{fp8}/scaleOu{t}_{fp32});$$

  $$reduceSumOutpu{t}_{fp32}=(reduceSum(dequantOutpu{t}_{fp32}));$$

  $$preAllGatherQuantScal{e}_{fp32}=(reduceSumOutpu{t}_{fp32}/(reduceMax(abs(reduceSumOutpu{t}_{fp32}))/FP8\_MAX));$$

  $$preAllGatherQuantOutpu{t}_{fp8}=(append((reduceSumOutpu{t}_{fp32}\ast preAllGatherQuantScal{e}_{fp32})@preAllGatherQuantScal{e}_{fp32}));$$

  $$allGatherOutpu{t}_{fp8}=(AllGather(preAllGatherQuantOutpu{t}_{fp8}));$$

  $$output=(cast(allGatherOutpu{t}_{fp32}/preAllGatherQuantScal{e}_{fp32}));$$

函数原型

每个算子分为两段式接口，必须先调用aclnnQuantMatmulAllReduceV4GetWorkspaceSize接口获取计算所需workspace大小以及包含了算子计算流程的执行器，再调用aclnnQuantMatmulAllReduceV4接口执行计算。

aclnnStatus aclnnQuantMatmulAllReduceV4GetWorkspaceSize(
    const aclTensor *x1,
    const aclTensor *x2,
    const aclTensor *biasOptional,
    const aclTensor *x3Optional,
    const aclTensor *x1ScaleOptional,
    const aclTensor *x2ScaleOptional,
    const aclTensor *commQuantScale1Optional,
    const aclTensor *commQuantScale2Optional,
    const char      *group,
    const char      *reduceOp,
    int64_t          commTurn,
    int64_t          streamMode,
    int64_t          groupSize,
    int64_t          commQuantMode,
    const aclTensor *output,
    uint64_t        *workspaceSize,
    aclOpExecutor  **executor)

aclnnStatus aclnnQuantMatmulAllReduceV4(
    void              *workspace,
    uint64_t           workspaceSize,
    aclOpExecutor     *executor,
    const aclrtStream  stream)

aclnnQuantMatmulAllReduceV4GetWorkspaceSize

• 参数说明

  参数名	输入/输出	描述	使用说明	数据类型	数据格式	维度(shape)	非连续Tensor
  x1	输入	MatMul计算的左矩阵，即计算公式中的x1。	当前版本仅支持二维或者三维输入。 支持不转置场景。	INT8、FLOAT8_E4M3FN、FLOAT8_E5M2、HIFLOAT8、FLOAT4_E2M1。	ND	2-3	×
  x2	输入	MatMul计算的右矩阵，即计算公式中的x2。	当前版本仅支持二维输入。 支持转置/不转置场景。 ND格式下支持最后两轴转置情况下的非连续的tensor，其他非连续tensor不支持	INT8、FLOAT8_E4M3FN、FLOAT8_E5M2、HIFLOAT8、FLOAT4_E2M1。	ND	2	×
  biasOptional	输入	bias偏移，即计算公式中的biasOptional。	当前版本仅支持一维输入。	INT32、FLOAT32	ND	1	√
  x3Optional	输入	MatMul计算后的add计算，即计算公式中的x3Optional。	低比特通信场景下仅支持输出为BFLOAT16场景，且仅支持非空输入，要求数据类型、维度与output的维度一致。	FLOAT16、BFLOAT16、FLOAT32	ND	2-3	√
  x1ScaleOptional	输入	MatMul计算后的pertoken去量化系数，即计算公式中的x1ScaleOptional。	pertoken场景下，x1为(b, m, k)时shape为(b*m)，x1为(m, k)时shape为(m)。 perblock场景下，x1为(b, m, k)时shape为[b, ceilDiv(m, 128), ceilDiv(k, 128)]，x1为(m, k)时shape为[ceilDiv(m, 128), ceilDiv(k, 128)]。 数据类型为FLOAT8_E8M0时，shape为[m, ceilDiv(k, 64), 2], x1为FLOAT4_E2M1时，必须保证ceilDiv(k, 32)为偶数。	FLOAT32、FLOAT8_E8M0	ND	1-3	√
  x2ScaleOptional	输入	MatMul计算后的去量化系数，即计算公式中的x2Scale。	shape在pertensor场景为(1)，perchannel场景为(n)/(1, n)。 输入为int8且输出为BFLOAT16时，直接将BFLOAT16类型的x2ScaleOptional传入本接口。 输出为FLOAT16且输入为INT8时，x1ScaleOptional不为空，可直接将FLOAT32类型的x2ScaleOptional传入本接口，如果x1ScaleOptional为空，则需提前调用TransQuantParamV2算子的aclnn接口来将x2ScaleOptional转成INT64/UINT64数据类型。 数据类型为FLOAT8_E8M0时，仅支持转置，shape为[n, ceilDiv(k, 64), 2]。 x2为FLOAT4_E2M1时，必须保证ceilDiv(k, 32)为偶数. perblock场景下，x2的shape为[ceilDiv(k, 128), ceilDiv(n, 128)]，x2转置时，x2ScaleOptional的shape为[ceilDiv(n, 128), ceilDiv(k, 128)]。	INT64、UINT64、FLOAT32、BFLOAT16、FLOAT8_E8M0	ND	1-3	√
  commQuantScale1Optional	输入	MatMul+Add计算后的perchannel量化系数，即计算公式中的commQuantScale1Optional。	当前版本仅在输入为int8类型时支持，其他场景传入空。 x2为(k, n)时, shape可为(n)或者(1,n)	BFLOAT16、FLOAT16	ND	1-2	√
  commQuantScale2Optional	输入	AllGather计算后的perchannel量化系数，即计算公式中的commQuantScale2Optional。	当前版本仅在输入为int8类型时支持，其他场景传入空。 x2为(k, n)时, shape可为(n)或者(1,n)	BFLOAT16、FLOAT16	ND	1-2	√
  group	输入	通信域名称。	通过Hccl提供的接口“extern HcclResult HcclGetCommName(HcclComm comm, char* commName);”获取，其中commName即为group。	String	-	-	-
  reduceOp	输入	reduce操作类型。	当前版本仅支持输入"sum"。	String	-	-	-
  commTurn	输入	通信数据切分数，即总数据量/单次通信量。	当前版本仅支持输入0。	INT64	-	-	-
  streamMode	输入	流模式的枚举。	当前版本仅支持枚举值1。	INT64	-	-	-
  groupSize	输入	用于表示反量化中x1Scale/x2Scale输入的一个数在其所在的对应维度方向上可以用于该方向x1/x2输入的多少个数的反量化。	groupSize输入由3个方向的groupSizeM，groupSizeN，groupSizeK三个值拼接组成，每个值占16位，计算公式为：groupSize = groupSizeK | groupSizeN << 16 | groupSizeM << 32。 perblock场景仅支持groupSizeM，groupSizeN，groupSizeK = 128,128,128 MXFP场景仅支持groupSizeM，groupSizeN，groupSizeK = 1,1,32 支持参数自动推导，任一参数输入0时，算子自动推导该参数值，全部输入0时，自动推导全部参数值	INT64	-	-	-
  commQuantMode	输入	静态量化和动态量化的标志位。	数值为0和1。仅在x1和x2为FLOAT8_E4M3FN或FLOAT8_E5M2时支持1，为1时走Pertile量化Fp8通信场景。	INT64	-	-	-
  output	输出	MatMul计算与AllReduce通信的结果，即计算公式中的output。	output的维数与x1一致。	FLOAT16、BFLOAT16、FLOAT32	ND	2-3	√
  workspaceSize	输出	返回需要在Device侧申请的workspace大小。	-	-	-	-	-
  executor	输出	返回op执行器，包含了算子计算流程。	-	-	-	-	-

• 返回值

  返回aclnnStatus状态码，具体参见aclnn返回码。

  第一阶段接口完成入参校验，出现以下场景报错：

  返回值	错误码	描述
  ACLNN_ERR_PARAM_NULLPTR	161001	传入的x1、x2、x2Scale、reduceOp或output是空指针。
  ACLNN_ERR_PARAM_INVALID	161002	x1、x2、biasOptional、x1ScaleOptional、x2Scale、x3Optional、commQuantScale1Optional、commQuantScale2Optional或output的数据类型不在支持的范围之内。
  		streamMode不在合法范围内。
  		x1、x2、biasOptional、x1ScaleOptional、x2Scale、x3Optional、commQuantScale1Optional、commQuantScale2Optional或output的shape不符合约束要求。

aclnnQuantMatmulAllReduceV4

• 参数说明

  参数名	输入/输出	描述
  workspace	输入	在Device侧申请的workspace内存地址。
  workspaceSize	输入	在Device侧申请的workspace大小，由第一段接口aclnnQuantMatmulAllReduceV4GetWorkspaceSize获取。
  executor	输入	op执行器，包含了算子计算流程。
  stream	输入	指定执行任务的stream。

• 返回值

  返回aclnnStatus状态码，具体参见aclnn返回码。

约束说明

• 确定性计算：
  • Atlas A2 训练系列产品/Atlas A2 推理系列产品：aclnnQuantMatmulAllReduceV4默认非确定性实现，支持通过配置HCCL_DETERMINISTIC环境变量为true开启确定性计算。
  • Ascend 950PR/Ascend 950DT：aclnnQuantMatmulAllReduceV4默认确定性实现。
• 增量场景不使能MC2，全量场景使能MC2。
• 输入x1可为2维或者3维，其shape为(b, s, k)或者(m, k)。x2必须是2维。其shape为(k, n)，k轴满足mm算子入参要求，k轴相等。
• m大小不超过2147483647，x1与x2的最后一维大小不超过65535，x1的最后一维指k，x2的最后一维指转置时的k或非转置时的n。
• 传入的x1、x2、x2Scale或者output不为空指针。
• x1和x2、dequantScale、output、bias（非空场景）、x3（非空场景）的数据类型和数据格式需要在支持的范围之内。
• 传入的commQuantScale1与commQuantScale2需要同时为空指针或同时不为空指针，若传入的commQuantScale1与commQuantScale2同时不为空指针，两个量化参数shape需保持一致，类型需与算子输出类型保持一致，且每张卡输入保持一致。
• 仅支持hccs链路all mesh组网。
  • Atlas A2 训练系列产品/Atlas A2 推理系列产品：支持1、2、4、8卡。
  • Ascend 950PR/Ascend 950DT：支持1、2、4、8、16、32、64卡。
• 一个模型中的通算融合MC2算子，仅支持相同通信域。
• INT8和FP8低bit通信仅在通信bound的情况下存在性能收益，计算bound的情况不建议使能INT8或FP8低bit通信，即不建议输入commQuantScale1和commQuantScale2，且commQuantMode输入0。（注：INT8低bit通信指输入为int8且使能commQuantScale1Optional、commQuantScale2Optional；FP8低bit通信指输入为FLOAT8_E4M3FN/FLOAT8_E5M2且使能commQuantMode=1。）
• 空tensor支持度：
  • 不支持空tensor。
• groupSize相关约束:
  • 仅当x1Scale和x2Scale输入都是2维及以上数据时，groupSize取值有效，其他场景需传入0。
  • 传入的groupSize内部会按如下公式分解得到groupSizeM、groupSizeN、groupSizeK，当其中有1个或多个为0，会根据x1/x2/x1Scale/x2Scale输入shape重新设置groupSizeM、groupSizeN、groupSizeK用于计算。原理：假设groupSizeM=0，表示m方向量化分组值由接口推断，推断公式为groupSizeM = m / scaleM（需保证m能被scaleM整除），其中m与x1 shape中的m一致，scaleM与x1Scale shape中的m一致。

    $$groupSize=groupSizeK|groupSizeN<<16|groupSizeM<<32$$

输入和输出支持以下数据类型组合

• Atlas A2 训练系列产品/Atlas A2 推理系列产品：

  x1	x2	biasOptional	x3Optional	x1ScaleOptional	x2ScaleOptional	commQuantScale1Optional	commQuantScale2Optional	output	限制
  INT8	INT8	null、INT32	null、FLOAT16	null	INT64、UINT64	null、FLOAT16	null、FLOAT16	FLOAT16	commQuantScale1Optional，commQuantScale2Optional同时为空或不为空
  INT8	INT8	null、INT32	null、FLOAT16	FLOAT32	FLOAT32	null、FLOAT16	null、FLOAT16	FLOAT16	commQuantScale1Optional，commQuantScale2Optional同时为空或不为空
  INT8	INT8	null、INT32	null、BFLOAT16	null、FLOAT32	BFLOAT16	null、BFLOAT16	null、BFLOAT16	BFLOAT16	commQuantScale1Optional，commQuantScale2Optional同时为空或不为空

• Ascend 950PR/Ascend 950DT：

  int8输入时，支持pertoken-perchannel量化 && pertensor-perchannel量化

  x1	x2	biasOptional	x3Optional	x1ScaleOptional	x2ScaleOptional	commQuantScale1Optional	commQuantScale2Optional	output	限制
  INT8	INT8	null、INT32	null、FLOAT16	null	INT64、UINT64	null、FLOAT16	null、FLOAT16	FLOAT16	commQuantScale1Optional，commQuantScale2Optional同时为空或不为空
  INT8	INT8	null、INT32	null、FLOAT16	FLOAT32	FLOAT32	null、FLOAT16	null、FLOAT16	FLOAT16	commQuantScale1Optional，commQuantScale2Optional同时为空或不为空
  INT8	INT8	null、INT32	null、BFLOAT16	null、FLOAT32	BFLOAT16	null、BFLOAT16	null、BFLOAT16	BFLOAT16	commQuantScale1Optional，commQuantScale2Optional同时为空或不为空

  pertoken-perchannel量化 && pertoken-pertensor量化 && perblock-perblock量化

  x1	x2	biasOptional	x3Optional	x1ScaleOptional	x2ScaleOptional	output	限制
  FLOAT8_E4M3FN	FLOAT8_E4M3FN	null、FLOAT32	null、FLOAT16、BFLOAT16、FLOAT32	FLOAT32	FLOAT32	FLOAT16、BFLOAT16、FLOAT32	B-B量化场景仅支持biasOptional为null
  FLOAT8_E5M2	FLOAT8_E5M2	null、FLOAT32	null、FLOAT16、BFLOAT16、FLOAT32	FLOAT32	FLOAT32	FLOAT16、BFLOAT16、FLOAT32	B-B量化场景仅支持biasOptional为null
  HIFLOAT8	HIFLOAT8	null、FLOAT32	null、FLOAT16、BFLOAT16、FLOAT32	FLOAT32	FLOAT32	FLOAT16、BFLOAT16、FLOAT32	B-B量化场景仅支持biasOptional为null

  perchannel量化 && pertensor量化

  x1	x2	biasOptional	x3Optional	x1ScaleOptional	x2ScaleOptional	output	限制
  FLOAT8_E4M3FN	FLOAT8_E4M3FN	null、FLOAT32	null、FLOAT16、BFLOAT16、FLOAT32	null	UINT64	FLOAT16、BFLOAT16	-
  FLOAT8_E5M2	FLOAT8_E5M2	null、FLOAT32	null、FLOAT16、BFLOAT16、FLOAT32	null	UINT64	FLOAT16、BFLOAT16	-
  HIFLOAT8	HIFLOAT8	FLOAT32	FLOAT16、BFLOAT16、FLOAT32	null	UINT64	FLOAT16、BFLOAT16	-

  MXFP量化

  x1	x2	biasOptional	x3Optional	x1ScaleOptional	x2ScaleOptional	output	限制
  FLOAT4_E2M1	FLOAT4_E2M1	null、FLOAT32	null、FLOAT16、BFLOAT16、FLOAT32	FLOAT8_E8M0	FLOAT8_E8M0	FLOAT16、BFLOAT16、FLOAT32	-
  FLOAT8_E4M3FN	FLOAT8_E4M3FN	null、FLOAT32	null、FLOAT16、BFLOAT16、FLOAT32	FLOAT8_E8M0	FLOAT8_E8M0	FLOAT16、BFLOAT16、FLOAT32	-
  FLOAT8_E5M2	FLOAT8_E5M2	null、FLOAT32	null、FLOAT16、BFLOAT16、FLOAT32	FLOAT8_E8M0	FLOAT8_E8M0	FLOAT16、BFLOAT16、FLOAT32	-

调用示例

示例代码如下，仅供参考，具体编译和执行过程请参考编译与运行样例。

说明：本示例代码调用了部分HCCL集合通信库接口：HcclGetCommName、HcclCommInitAll、HcclCommDestroy, 请参考 <<HCCL API (C)>>。

• Atlas A2 训练系列产品/Atlas A2 推理系列产品、Ascend 950PR/Ascend 950DT：

  #include <iostream>
  #include <vector>
  #include <thread>
  #include "hccl/hccl.h"
  #include "aclnn/opdev/fp16_t.h"
  #include "aclnnop/aclnn_trans_matmul_weight.h"
  #include "aclnnop/aclnn_quant_matmul_all_reduce_v4.h"
  
  #define ACL_CHECK(ret)                                                                                     \
      do {                                                                                                   \
          auto retcode = ret;                                                                                \
          if (retcode != ACL_SUCCESS) {                                                                      \
              printf("[ERROR] acl interface return err %s:%d, retcode: %d \n", __FILE__, __LINE__, retcode); \
              return retcode;                                                                                \
          }                                                                                                  \
      } while (0)
  
  #define CHECK_RET(cond, return_expr) \
      do {                             \
          if (!(cond)) {               \
              return_expr;             \
          }                            \
      } while (0)
  
  #define LOG_PRINT(message, ...)         \
      do {                                \
          printf(message, ##__VA_ARGS__); \
      } while(0)
  
  constexpr int DEV_NUM = 2;
  
  int64_t GetShapeSize(const std::vector<int64_t> &shape)
  {
      int64_t shape_size = 1;
      for (auto i : shape) {
          shape_size *= i;
      }
      return shape_size;
  }
  
  struct Args {
      uint32_t rankId;
      HcclComm hcclComm;
      aclrtStream stream;
      aclrtContext context;
      std::string format;
  };
  
  template<typename T>
  int CreateWeightNzAclTensor(const std::vector<T> &hostData, const std::vector<int64_t> &shape, void **deviceAddr,
                              aclDataType dataType, aclTensor **tensor, Args &args) {
      auto size = GetShapeSize(shape) * sizeof(T);
      const aclIntArray *mat2Size = aclCreateIntArray(shape.data(), shape.size());
      auto ret = aclnnCalculateMatmulWeightSizeV2(mat2Size, ACL_INT8, &size);
      CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnCalculateMatmulWeightSizeV2 failed. ERROR: %d\n", ret); return ret);
  
      // 调用aclrtMalloc申请device内存
      ret = aclrtMalloc(deviceAddr, size, ACL_MEM_MALLOC_HUGE_FIRST);
      CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtMalloc failed. ERROR: %d\n", ret); return ret);
  
      // 调用aclrtMemcpy将host侧数据拷贝到device侧内存上
      ret = aclrtMemcpy(*deviceAddr, size, hostData.data(), size, ACL_MEMCPY_HOST_TO_DEVICE);
      CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtMemcpy failed. ERROR: %d\n", ret); return ret);
  
      // 计算连续tensor的strides
      std::vector<int64_t> strides(shape.size(), 1);
      for (int64_t i = shape.size() - 2; i >= 0; i--) {
          strides[i] = shape[i + 1] * strides[i + 1];
      }
      // 调用aclCreateTensor接口创建aclTensor
      *tensor = aclCreateTensor(shape.data(), shape.size(), dataType, strides.data(), 0, aclFormat::ACL_FORMAT_ND,
                                shape.data(), shape.size(), *deviceAddr);
  
      uint64_t transWorkspaceSize;
      aclOpExecutor *executor;
      void *transWorkspaceAddr = nullptr;
      ret = aclnnTransMatmulWeightGetWorkspaceSize(*tensor, &transWorkspaceSize, &executor);
      CHECK_RET(ret == ACL_SUCCESS && transWorkspaceSize > 0,
                printf("[ERROR] aclnnTransMatmulWeightGetWorkspaceSize failed. ret = %d \n", ret); return ret);
      ACL_CHECK(aclrtMalloc(&transWorkspaceAddr, transWorkspaceSize, ACL_MEM_MALLOC_HUGE_FIRST));
      ret = aclnnTransMatmulWeight(transWorkspaceAddr, transWorkspaceSize, executor, args.stream);
      CHECK_RET(ret == ACL_SUCCESS, printf("[ERROR] aclnnTransMatmulWeight failed. ret = %d \n", ret);return ret);
      ACL_CHECK(aclrtSynchronizeStreamWithTimeout(args.stream, 20000000));
  
      return 0;
  }
  
  template<typename T>
  int CreateAclTensor(const std::vector<T> &hostData, const std::vector<int64_t> &shape, void **deviceAddr,
                      aclDataType dataType, aclTensor **tensor) {
      auto size = GetShapeSize(shape) * sizeof(T);
      // 调用aclrtMalloc申请device侧内存
      auto ret = aclrtMalloc(deviceAddr, size, ACL_MEM_MALLOC_HUGE_FIRST);
      CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtMalloc failed. ERROR: %d\n", ret); return ret);
      // 调用aclrtMemcpy将host侧数据拷贝到device侧内存上
      ret = aclrtMemcpy(*deviceAddr, size, hostData.data(), size, ACL_MEMCPY_HOST_TO_DEVICE);
      CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtMemcpy failed. ERROR: %d\n", ret); return ret);
      // 计算连续tensor的strides
      std::vector<int64_t> strides(shape.size(), 1);
      for (int64_t i = shape.size() - 2; i >= 0; i--) {
          strides[i] = shape[i + 1] * strides[i + 1];
      }
      // 调用aclCreateTensor接口创建aclTensor
      *tensor = aclCreateTensor(shape.data(), shape.size(), dataType, strides.data(), 0, aclFormat::ACL_FORMAT_ND,
                                shape.data(), shape.size(), *deviceAddr);
      return 0;
  }
  
  int launchOneThreadQuantMatmulAllReduce(Args &args) {
      int ret;
      ret = aclrtSetCurrentContext(args.context);
      CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtSetCurrentContext failed. ERROR: %d\n", ret); return ret);
      char hcom_name[128];
      ret = HcclGetCommName(args.hcclComm, hcom_name);
      CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("[ERROR] HcclGetCommName failed. ret = %d \n", ret); return -1);
      LOG_PRINT("[INFO] rank %d hcom: %s stream: %p, context : %p\n", args.rankId, hcom_name, args.stream,
                args.context);
  
      std::vector<int64_t> x1Shape = {32, 64};
      std::vector<int64_t> x2Shape = {64, 128};
      std::vector<int64_t> biasShape = {128};
      std::vector<int64_t> dequantScaleShape = {128};
      std::vector<int64_t> x1ScaleShape = {32};
      std::vector<int64_t> commQuantScale1Shape = {128};
      std::vector<int64_t> commQuantScale2Shape = {128};
      std::vector<int64_t> x3Shape = {32, 128};
      std::vector<int64_t> outShape = {32, 128};
      void *x1DeviceAddr = nullptr;
      void *x2DeviceAddr = nullptr;
      void *biasDeviceAddr = nullptr;
      void *dequantScaleDeviceAddr = nullptr;
      void *x1ScaleDeviceAddr = nullptr;
      void *commQuantScale1DeviceAddr = nullptr;
      void *commQuantScale2DeviceAddr = nullptr;
      void *x3DeviceAddr = nullptr;
      void *outDeviceAddr = nullptr;
      aclTensor *x1 = nullptr;
      aclTensor *x2 = nullptr;
      aclTensor *bias = nullptr;
      aclTensor *x2ScaleOptional = nullptr;
      aclTensor *x1Scale = nullptr;
      aclTensor *commQuantScale1 = nullptr;
      aclTensor *commQuantScale2 = nullptr;
      aclTensor *x3 = nullptr;
      aclTensor *out = nullptr;
  
      int64_t commTurn = 0;
      int64_t streamMode = 1;
      uint64_t workspaceSize = 0;
      aclOpExecutor *executor;
      void *workspaceAddr = nullptr;
  
      long long x1ShapeSize = GetShapeSize(x1Shape);
      long long x2ShapeSize = GetShapeSize(x2Shape);
      long long biasShapeSize = GetShapeSize(biasShape);
      long long dequantScaleShapeSize = GetShapeSize(dequantScaleShape);
      long long x1ScaleShapeSize = GetShapeSize(x1ScaleShape);
      long long commQuantScale1ShapeSize = GetShapeSize(commQuantScale1Shape);
      long long commQuantScale2ShapeSize = GetShapeSize(commQuantScale2Shape);
      long long x3ShapeSize = GetShapeSize(x3Shape);
      long long outShapeSize = GetShapeSize(outShape);
  
      std::vector<int8_t> x1HostData(x1ShapeSize, 1);
      std::vector<int8_t> x2HostData(x2ShapeSize, 1);
      std::vector<int32_t> biasHostData(biasShapeSize, 1);
      std::vector<float> dequantScaleHostData(dequantScaleShapeSize, 1);
      std::vector<float> x1ScaleHostData(x1ScaleShapeSize, 1);
      std::vector<op::fp16_t> commQuantScale1HostData(commQuantScale1ShapeSize, 1);
      std::vector<op::fp16_t> commQuantScale2HostData(commQuantScale2ShapeSize, 1);
      std::vector<op::fp16_t> x3HostData(x3ShapeSize, 1);
      std::vector<op::fp16_t> outHostData(outShapeSize, 0);
      // 创建 tensor
      ret = CreateAclTensor(x1HostData, x1Shape, &x1DeviceAddr, aclDataType::ACL_INT8, &x1);
      CHECK_RET(ret == ACL_SUCCESS, return ret);
      if (args.format == "NZ") {
          ret = CreateWeightNzAclTensor(x2HostData, x2Shape, &x2DeviceAddr, aclDataType::ACL_INT8, &x2, args);
      } else {
          ret = CreateAclTensor(x2HostData, x2Shape, &x2DeviceAddr, aclDataType::ACL_INT8, &x2);
      }
      CHECK_RET(ret == ACL_SUCCESS, return ret);
      ret = CreateAclTensor(biasHostData, biasShape, &biasDeviceAddr, aclDataType::ACL_INT32, &bias);
      CHECK_RET(ret == ACL_SUCCESS, return ret);
      ret = CreateAclTensor(dequantScaleHostData, dequantScaleShape, &dequantScaleDeviceAddr,
                            aclDataType::ACL_FLOAT, &x2ScaleOptional);
      CHECK_RET(ret == ACL_SUCCESS, return ret);
      ret = CreateAclTensor(x1ScaleHostData, x1ScaleShape, &x1ScaleDeviceAddr,
                            aclDataType::ACL_FLOAT, &x1Scale);
      CHECK_RET(ret == ACL_SUCCESS, return ret);
      ret = CreateAclTensor(commQuantScale1HostData, commQuantScale1Shape, &commQuantScale1DeviceAddr,
                            aclDataType::ACL_FLOAT16, &commQuantScale1);
      CHECK_RET(ret == ACL_SUCCESS, return ret);
      ret = CreateAclTensor(commQuantScale2HostData, commQuantScale2Shape, &commQuantScale2DeviceAddr,
                            aclDataType::ACL_FLOAT16, &commQuantScale2);
      CHECK_RET(ret == ACL_SUCCESS, return ret);
      ret = CreateAclTensor(x3HostData, x3Shape, &x3DeviceAddr, aclDataType::ACL_FLOAT16, &x3);
      CHECK_RET(ret == ACL_SUCCESS, return ret);
      ret = CreateAclTensor(outHostData, outShape, &outDeviceAddr, aclDataType::ACL_FLOAT16, &out);
      CHECK_RET(ret == ACL_SUCCESS, return ret);
      // 调用第一段接口
      ret = aclnnQuantMatmulAllReduceV4GetWorkspaceSize(x1, x2, bias, x3, x1Scale, x2ScaleOptional,
                                                        commQuantScale1, commQuantScale2, hcom_name,
                                                        "sum", commTurn, streamMode, 0, 0, out,
                                                        &workspaceSize, &executor);
      CHECK_RET(ret == ACL_SUCCESS,
                LOG_PRINT("aclnnQuantMatmulAllReduceV4GetWorkspaceSize failed. ERROR: %d\n", ret); return ret);
      // 根据第一段接口计算出的workspaceSize申请device内存
      if (workspaceSize > 0) {
          ret = aclrtMalloc(&workspaceAddr, workspaceSize, ACL_MEM_MALLOC_HUGE_FIRST);
          CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("allocate workspace failed. ERROR: %d\n", ret); return ret);
      }
      // 调用第二段接口
      ret = aclnnQuantMatmulAllReduceV4(workspaceAddr, workspaceSize, executor, args.stream);
      CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnQuantMatmulAllReduceV4 failed. ERROR: %d\n", ret); return ret);
      //（固定写法）同步等待任务执行结束
      ret = aclrtSynchronizeStreamWithTimeout(args.stream, 10000);
      CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtSynchronizeStream failed. ERROR: %d\n", ret); return ret);
      LOG_PRINT("device%d aclnnQuantMatmulAllReduceV4 execute success \n", args.rankId);
      // 释放device资源，需要根据具体API的接口定义修改
      if (x1 != nullptr) {
          aclDestroyTensor(x1);
      }
      if (x2 != nullptr) {
          aclDestroyTensor(x2);
      }
      if (bias != nullptr) {
          aclDestroyTensor(bias);
      }
      if (x2ScaleOptional != nullptr) {
          aclDestroyTensor(x2ScaleOptional);
      }
      if (x1Scale != nullptr) {
          aclDestroyTensor(x1Scale);
      }
      if (commQuantScale1 != nullptr) {
          aclDestroyTensor(commQuantScale1);
      }
      if (commQuantScale2 != nullptr) {
          aclDestroyTensor(commQuantScale2);
      }
      if (x3 != nullptr) {
          aclDestroyTensor(x3);
      }
      if (out != nullptr) {
          aclDestroyTensor(out);
      }
      if (x1DeviceAddr != nullptr) {
          aclrtFree(x1DeviceAddr);
      }
      if (x2DeviceAddr != nullptr) {
          aclrtFree(x2DeviceAddr);
      }
      if (biasDeviceAddr != nullptr) {
          aclrtFree(biasDeviceAddr);
      }
      if (dequantScaleDeviceAddr != nullptr) {
          aclrtFree(dequantScaleDeviceAddr);
      }
      if (x1ScaleDeviceAddr != nullptr) {
          aclrtFree(x1ScaleDeviceAddr);
      }
      if (commQuantScale1DeviceAddr != nullptr) {
          aclrtFree(commQuantScale1DeviceAddr);
      }
      if (commQuantScale2DeviceAddr != nullptr) {
          aclrtFree(commQuantScale2DeviceAddr);
      }
      if (x3DeviceAddr != nullptr) {
          aclrtFree(x3DeviceAddr);
      }
      if (outDeviceAddr != nullptr) {
          aclrtFree(outDeviceAddr);
      }
      if (workspaceSize > 0) {
          aclrtFree(workspaceAddr);
      }
      aclrtDestroyStream(args.stream);
      HcclCommDestroy(args.hcclComm);
      aclrtDestroyContext(args.context);
      aclrtResetDevice(args.rankId);
      return 0;
  }
  
  int main(int argc, char *argv[])
  {
      int ret;
      int32_t devices[DEV_NUM];
      for (int i = 0; i < DEV_NUM; i++) {
          devices[i] = i;
      }
      HcclComm comms[128];
      ret = aclInit(nullptr);
      CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclInit failed. ERROR: %d\n", ret); return ret);
      // 初始化集合通信域
      for (int i = 0; i < DEV_NUM; i++) {
          ret = aclrtSetDevice(devices[i]);
          CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtSetDevice failed. ERROR: %d\n", ret); return ret);
      }
      ret = HcclCommInitAll(DEV_NUM, devices, comms);
      CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("HcclCommInitAll failed. ERROR: %d\n", ret); return ret);
      Args args[DEV_NUM];
      aclrtStream stream[DEV_NUM];
      aclrtContext context[DEV_NUM];
      for (uint32_t rankId = 0; rankId < DEV_NUM; rankId++) {
          ret = aclrtSetDevice(rankId);
          CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtSetDevice failed. ERROR: %d\n", ret); return ret);
          ret = aclrtCreateContext(&context[rankId], rankId);
          CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtCreateContext failed. ERROR: %d\n", ret); return ret);
          ret = aclrtCreateStream(&stream[rankId]);
          CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtCreateStream failed. ERROR: %d\n", ret); return ret);
      }
      // 启动多线程
      std::vector<std::unique_ptr<std::thread>> threads(DEV_NUM);
      for (uint32_t rankId = 0; rankId < DEV_NUM; rankId++) {
          args[rankId].rankId = rankId;
          args[rankId].hcclComm = comms[rankId];
          args[rankId].stream = stream[rankId];
          args[rankId].context = context[rankId];
          threads[rankId].reset(
                  new(std::nothrow) std::thread(&launchOneThreadQuantMatmulAllReduce, std::ref(args[rankId])));
      }
      for (uint32_t rankId = 0; rankId < DEV_NUM; rankId++) {
          threads[rankId]->join();
      }
      aclFinalize();
      return 0;
  }