BlockSparseAttention算子

概述

BlockSparseAttention是一个基于CATLASS模板库实现的高性能稀疏注意力算子，支持灵活的块级稀疏模式。

功能特性

灵活的稀疏块模式: 支持自定义的x*y块级稀疏模式,通过blockShape参数指定
多种KV Cache布局: 支持TND [T, N, D]和BNSD [B, N, S, D]的的KV cache布局
多种Q输入布局: 支持TND [T, N, D]和BNSD [B, N, S, D]两种Query输入布局
高性能计算: 基于CATLASS模板库,充分利用昇腾A2硬件特性
多精度支持: 支持FP16和BF16两种精度
非对齐序列: 支持序列长度不能被块大小整除的场景,自动处理边界情况

接口定义

aclnnBlockSparseAttentionGetWorkspaceSize

aclnnStatus aclnnBlockSparseAttentionGetWorkspaceSize(
    const aclTensor *query,                         // Query输入
    const aclTensor *key,                           // Key输入
    const aclTensor *value,                         // Value输入
    const aclTensor   *blockSparseMaskOptional,     // 稀疏Mask
    const aclTensor   *attenMaskOptional,           // Attention mask (当前不支持)
    const aclIntArray *blockShapeOptional,          // 稀疏块形状数组
    const aclIntArray *actualSeqLengthsOptional,    // 实际Q序列长度 (TND格式时必选)
    const aclIntArray *actualSeqLengthsKvOptional,  // 实际KV序列长度 (TND格式时必选)
    const aclTensor   *blockTableOptional,          // Block表 (用于PagedAttention，当前不支持)
    char *qInputLayout,                             // Query的数据排布格式 (TND/BNSD)
    char *kvInputLayout,                            // Key/Value的数据排布格式 (TND/BNSD)
    int64_t numKeyValueHeads,                       // KV头数
    int64_t maskType,                               // Mask类型
    double scaleValue,                              // 缩放因子
    int64_t innerPrecise,                           // Softmax计算采取的精度级别
    int64_t blockSize,                              // Block大小 (用于PagedAttention，当前不支持)
    int64_t preTokens,                              // 滑窗参数 (当前不支持)
    int64_t nextTokens,                             // 滑窗参数 (当前不支持)
    int64_t softmaxLseFlag,                         // 是否输出LSE
    aclTensor *attentionOut,                        // 输出tensor
    aclTensor *softmaxLseOptional,                  // Softmax LSE输出 (可选)
    uint64_t *workspaceSize,                        // 返回workspace大小
    aclOpExecutor **executor);                      // 返回executor

aclnnBlockSparseAttention

aclnnStatus aclnnBlockSparseAttention(
    void *workspace,                           // workspace地址
    uint64_t workspaceSize,                    // workspace大小
    aclOpExecutor *executor,                   // executor
    aclrtStream stream);                       // ACL stream

参数说明

输入参数

query: Query tensor,支持以下布局
- TND: [total_tokens, num_heads, head_dim]
- BNSD: [batch, num_heads, seqlen, head_dim]
key: Key tensor,支持以下布局
- TND: [total_kv_tokens, num_kv_heads, head_dim]
- BNSD: [batch, num_kv_heads, kv_seqlen, head_dim]
value: Value tensor,支持以下布局
- TND: [total_kv_tokens, num_kv_heads, head_dim]
- BNSD: [batch, num_kv_heads, kv_seqlen, head_dim]
blockSparseMaskOptional:
- 稀疏Mask: [batch, headNum, ceilDiv(maxQSeqLength, blockShapeX), ceilDiv(maxKvSeqLength, blockShapeY)]
blockShapeOptional:
- blockShapeX: Q方向块大小
- blockShapeY: KV方向块大小

输出参数

attentionOut: 注意力输出,shape与query相同
softmaxLse: Softmax log-sum-exp输出 (可选)

使用示例

// 1. 准备输入数据
int64_t batch = 1;
int64_t qSeqlen = 256;
int64_t kvSeqlen = 512;
int64_t numHeads = 8;
int64_t numKvHeads = 8;
int64_t headDim = 128;
int64_t blockShapeX = 128;
int64_t blockShapeY = 128;

// 2. 创建tensor (略)

// 3. 设置blockShape
int64_t blockShapeData[2] = {blockShapeX, blockShapeY};
aclIntArray *blockShape = aclCreateIntArray(blockShapeData, 2);

// 4. 调用算子
uint64_t workspaceSize = 0;
aclOpExecutor *executor = nullptr;

aclnnStatus ret = aclnnBlockSparseAttentionGetWorkspaceSize(
    query, key, value, blockSparseMask, nullptr, blockShape, nullptr,
    nullptr, nullptr, "BNSD", "BNSD", numKvHeads, 0, scaleValue, 0, 128,
    2147483647, 2147483647, 0, attentionOut, nullptr, &workspaceSize, &executor);

if (ret == ACLNN_SUCCESS) {
    void *workspace = nullptr;
    aclrtMalloc(&workspace, workspaceSize, ACL_MEM_MALLOC_HUGE_FIRST);
    
    ret = aclnnBlockSparseAttention(workspace, workspaceSize, executor, stream);
    
    aclrtFree(workspace);
}

稀疏模式说明

BlockSparseMask稀疏pattern

BlockSparseAttention使用blockSparseMask稀疏pattern,不需要selectIdx索引格式和传统的sBlockIdx计算:

blockSparseMask: 形状为[batch, numHeads, qBlockNum, kvBlockNum]的稀疏Mask
blockShapeX: Q方向基本块大小
blockShapeY: KV方向基本块大小

示例

对于qSeqlen=512, kvSeqlen=1024, blockShapeX=128, blockShapeY=128:

Q方向: ceil(512/128)=4块 [0, 1, 2, 3]
KV方向: ceil(1024/128)=8块 [0, 1, 2, 3, 4, 5, 6, 7]

每个Q块可以选择任意KV块组合：
- Q块0选择的KV块: [0, 2, 5]
- Q块1选择的KV块: [1, 3, 6]
- Q块2选择的KV块: [0, 4, 7]
- Q块3选择的KV块: [2, 5, 6]

性能特点

内存效率: 相比密集注意力,显著减少内存使用
计算效率: 只计算指定的稀疏块,减少计算量
灵活配置: 支持任意blockShape的稀疏块配置
硬件优化: 充分利用昇腾A2的AI Core和Vector Core

注意事项

qInputLayout当前仅支持"TND"和"BNSD"。
kvInputLayout当前仅支持"TND"和"BNSD"。
blockShapeOptional如果传入，则必须包含至少两个元素[blockShapeX, blockShapeY]，且值必须大于0，blockShapeY必须为128的倍数。
qSeqlen和kvSeqlen不需要被blockShape整除，支持非对齐场景，实际分块数通过向上取整计算。
blockSparseMaskOptional当前必须传入，且shape必须为[batch, headNum, ceilDiv(maxQS, blockShapeX), ceilDiv(maxKVS, blockShapeY)]。
attentionMaskOptional当前只支持传入nullptr。
maskType当前只支持输入0，表示不加mask。
actualSeqLengthsOptional在qInputLayout为“TND”时必选；actualSeqLengthsKvOptional在kvInputLayout为“TND”时必选。
当前不支持PagedAttention，blockTableOptional当前只支持传入nullptr。
query输入为BFLOAT16时，innerPrecise只能配置为0。

编译说明

算子编译集成在ops-transformer的统一编译流程中:

bash build.sh

版本历史

v1.0.0: 初始版本