aclnnIncreFlashAttentionV4
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（aclnnIncreFlashAttentionV3）接口功能，在其基础上新增kv左Padding特性。
对于自回归（Auto-regressive）的语言模型，随着新词的生成，推理输入长度不断增大。在原来全量推理的基础上实现增量推理，query的S轴固定为1，key和value是经过KV Cache后，将之前推理过的state信息，叠加在一起，每个Batch对应S轴的实际长度可能不一样，输入的数据是经过padding后的固定长度数据。
相比全量场景的FlashAttention算子（PromptFlashAttention），增量推理的流程与正常全量推理并不完全等价，不过增量推理的精度并无明显劣化。
说明：
KV Cache是大模型推理性能优化的一个常用技术。采样时，Transformer模型会以给定的prompt/context作为初始输入进行推理（可以并行处理），随后逐一生成额外的token来继续完善生成的序列（体现了模型的自回归性质）。在采样过程中，Transformer会执行自注意力操作，为此需要给当前序列中的每个项目（无论是prompt/context还是生成的token）提取键值（KV）向量。这些向量存储在一个矩阵中，通常被称为KV缓存（KV Cache）。
-
计算公式：
self-attention（自注意力）利用输入样本自身的关系构建了一种注意力模型。其原理是假设有一个长度为nn的输入样本序列xx，xx的每个元素都是一个dd维向量，可以将每个dd维向量看作一个token embedding，将这样一条序列经过3个权重矩阵变换得到3个维度为n∗n*d的矩阵。
self-attention的计算公式一般定义如下，其中QQ、KK、VV为输入样本的重要属性元素，是输入样本经过空间变换得到，且可以统一到一个特征空间中。
Attention(Q,K,V)=Score(Q,K)V Attention(Q,K,V)=Score(Q,K)V
本算子中Score函数采用Softmax函数，self-attention计算公式为：
Attention(Q,K,V)=Softmax(QKTd)VAttention(Q,K,V)=Softmax(\frac{QK^T}{\sqrt{d}})V
其中QQ和KTK^T的乘积代表输入xx的注意力，为避免该值变得过大，通常除以dd的开根号进行缩放，并对每行进行softmax归一化，与VV相乘后得到一个n∗dn*d的矩阵。
函数原型
每个算子分为两段式接口，必须先调用“aclnnIncreFlashAttentionV4GetWorkspaceSize”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“aclnnIncreFlashAttentionV4”接口执行计算。
aclnnStatus aclnnIncreFlashAttentionV4GetWorkspaceSize(
const aclTensor *query,
const aclTensorList *key,
const aclTensorList *value,
const aclTensor *pseShift,
const aclTensor *attenMask,
const aclIntArray *actualSeqLengths,
const aclTensor *dequantScale1,
const aclTensor *quantScale1,
const aclTensor *dequantScale2,
const aclTensor *quantScale2,
const aclTensor *quantOffset2,
const aclTensor *antiquantScale,
const aclTensor *antiquantOffset,
const aclTensor *blocktable,
const aclTensor *kvPaddingSize,
int64_t numHeads,
double scaleValue,
char *inputLayout,
int64_t numKeyValueHeads,
int64_t blockSize,
int64_t innerPrecise,
const aclTensor *attentionOut,
uint64_t *workspaceSize,
aclOpExecutor **executor)
aclnnStatus aclnnIncreFlashAttentionV4(
void *workspace,
uint64_t workspaceSize,
aclOpExecutor *executor,
const aclrtStream stream)
aclnnIncreFlashAttentionV4GetWorkspaceSize
-
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 query 输入 公式中的输入Q。 - query和attentionOut的shape需要完全一致。
- 仅支持query的S轴等于1。
FLOAT16、BFLOAT16 ND - (B, N, S, D)
- (B, S, N, D)
- (B, S, H)
× key 输入 公式中的输入K。 key、value 中对应tensor的shape需要完全一致。 FLOAT16、BFLOAT16、INT8 ND - (B, N, S, D)
- (B, S, N, D)
- (B, S, H)
× value 输入 公式中的输入V。 key、value 中对应tensor的shape需要完全一致。 FLOAT16、BFLOAT16、INT8 ND - (B, N, S, D)
- (B, S, N, D)
- (B, S, H)
× pseShift 输入 位置编码。 - 支持空Tensor。
- pseShift数据类型需与query数据类型保持一致。
FLOAT16、BFLOAT16 ND - (B, N, 1, S)
- (1, N, 1, S)
× attenMask 输入 attention掩码矩阵。 - 支持空Tensor。
- 当attenMask数据类型取INT8、UINT8时，其tensor中的值需要为0或1。
BOOL、INT8、UINT8 ND - (B, S)
- (B, 1, S)
- (B, 1, 1, S)
× actualSeqLengths 输入 key和value的S轴实际长度。 综合约束请见约束说明。 INT64 ND (B) - dequantScale1 输入 BMM1后面反量化的量化因子。 - 支持空Tensor。
- 支持per-tensor（scalar）。
UINT64、FLOAT32 ND (1) × quantScale1 输入 BMM2前面量化的量化因子。 - 支持空Tensor。
- 支持per-tensor（scalar）。
FLOAT32、BFLOAT16 ND (1) × dequantScale2 输入 BMM2后面反量化的量化因子。 - 支持空Tensor。
- 支持per-tensor（scalar）。
UINT64、FLOAT32 ND (1) × quantScale2 输入 输出量化的量化因子。 - 支持空Tensor。
- 支持per-tensor，per-channel。
FLOAT32、BFLOAT16 ND - (1)
- (D * N)，N为numKeyValueHeads
× quantOffset2 输入 输出量化的量化偏移。 - 支持空Tensor。
- 支持per-tensor，per-channel。
FLOAT32、BFLOAT16 ND - (1)
- (D * N)，N为numKeyValueHeads
× antiquantScale 输入 量化因子。 - 支持空Tensor。
- 支持per-tensor，per-channel（list），由shape决定，BNSD场景下shape为(2, N, 1, D)，BSH场景下shape为(2, H)，BSND场景下shape为(2, N, D)。
FLOAT16、BFLOAT16、FLOAT32 ND - (2, N, 1, D)
- (2, H)
- (2, N, D)
- (2)
× antiquantOffset 输入 输出量化的量化因子。 - 支持空Tensor。
- 支持per-tensor，per-channel（list），由shape决定，BNSD场景下shape为(2, N, 1, D)，BSH场景下shape为(2, H)，BSND场景下shape为(2, N, D)。
FLOAT16、BFLOAT16、FLOAT32 ND - (2, N, 1, D)
- (2, H)
- (2, N, D)
- (2)
× blocktable 输入 page attention中KV存储使用的block映射表。 - 支持空Tensor。
- 综合约束请见约束说明
INT32 ND (B, maxBlockNumPerSeq) × kvPaddingSize 输入 kv左padding场景。 支持空Tensor。 INT64 - - × numHeads 输入 query的head个数。 numHeads是numKeyValueHeads的倍数关系。 INT64 - - - scaleValue 输入 公式中d开根号的倒数。 - DOUBLE - - - inputLayout 输入 标识输入query、key、value的数据排布格式。 当前支持BSH、BNSD、BSND。用户不特意指定时建议传入"BSH"。 STRING - - - numKeyValueHeads 输入 key、value中head个数。 - 用于支持GQA（Grouped-Query Attention，分组查询注意力）场景，传入0表示和query的head个数相等。
- 综合约束请见约束说明。
INT64 - - - blockSize 输入 page attention中KV存储每个block中最大的token个数。 - 用户不特意指定时建议传入0。
- 综合约束请见约束说明。
INT64 - - - innerPrecise 输入 代表高精度/高性能选择。 0代表高精度，1代表高性能，用户不特意指定时建议传入1。 INT64 - - - attentionOut 输出 公式中的输出。 - FLOAT16、BFLOAT16、INT8 ND - (B, N, S, D)
- (B, S, N, D)
- (B, S, H)
- workspaceSize 输出 返回用户需要在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。
第一段接口完成入参校验，出现以下场景时报错：
返回值 错误码 描述 ACLNN_ERR_PARAM_NULLPTR 161001 如果传入参数是必选输入，输出或者必选属性，且是空指针，则返回161001。 ACLNN_ERR_PARAM_INVALID 161002 query、key、value、actualSeqLengths、pseShift、attenMask、attentionOut的数据类型和数据格式不在支持的范围内。 ACLNN_ERR_RUNTIME_ERROR 361001 API内存调用npu runtime的接口异常。
aclnnIncreFlashAttentionV4
-
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aclnnIncreFlashAttentionV4GetWorkspaceSize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
aclnnStatus：返回状态码，具体参见aclnn返回码。
约束说明
- 确定性计算：
- aclnnIncreFlashAttentionV4默认确定性实现。
- Atlas A2 训练系列产品/Atlas A2 推理系列产品、Ascend 950PR/Ascend 950DT：
- 支持B轴小于等于65536，N轴小于等于256，D轴小于等于512。
- query数据类型支持FLOAT16、BFLOAT16，attentionOut、key和value数据类型支持FLOAT16、INT8、BFLOAT16。
- dequantScale1、dequantScale2数据类型支持UINT64、FLOAT32。
- quantScale1、quantScale2和quantOffset2数据类型支持FLOAT32
- numKeyValueHeads数据类型支持INT64。
- Atlas 推理系列产品：
- 支持B轴小于等于256，N轴小于等于256，D轴小于等于512。
- 支持key、value的S轴小于等于65536。
- query、key、value和attentionOut数据类型仅支持FLOAT16。
- dequantScale1、quantScale1、dequantScale2、quantScale2和quantOffset2仅支持nullptr。
- numKeyValueHeads仅支持取值0。
- 非连续场景下，参数key、value的tensorlist中tensor的个数等于query的B(由于tensorlist限制，非连续场景下B需要小于等于256)。shape除S外需要完全一致，且batch只能为1。
- query、key、value数据排布格式支持从多种维度解读，其中B（Batch）表示输入样本批量大小、S（Seq-Length）表示输入样本序列长度、H（Head-Size）表示隐藏层的大小、N（Head-Num）表示多头数、D（Head-Dim）表示隐藏层最小的单元尺寸，且满足D=H/N。
- 参数query中的N和numHeads值相等，key、value的N和numKeyValueHeads值相等，并且numHeads是numKeyValueHeads的倍数关系。
- query、key、value输入均为INT8的场景暂不支持。
- query、key、value输入为FLOAT16，输出为INT8的场景：入参quantScale2必填，quantOffset2可选，不能传入dequantScale1、quantScale1、dequantScale2（即为nullptr）参数。
- antiquantScale和antiquantOffset参数约束：
- per-channel模式：两个参数的shape可支持(2, N, 1, D)，(2, N, D)，(2, H)，N为numKeyValueHeads。参数数据类型和query数据类型相同。
- per-tensor模式：两个参数的shape均为(2)，数据类型和query数据类型相同。
- 入参 quantScale2 和 quantOffset2 支持 per-tensor/per-channel 两种格式和 FLOAT32/BFLOAT16 两种数据类型。若传入 quantOffset2 ，需保证其类型和shape信息与 quantScale2 一致。当输入为BFLOAT16时，同时支持FLOAT32和BFLOAT16，否则仅支持FLOAT32 。per-channel 格式，当输出layout为BSH时，要求 quantScale2 所有维度的乘积等于H；其他layout要求乘积等于N*D。（建议输出layout为BSH时，quantScale2 shape传入[1,1,H]或[H]；输出为BNSD时，建议传入[1,N,1,D]或[N,D]；输出为BSND时，建议传入[1,1,N,D]或[N,D]）。
- page attention场景:
- page attention的使能必要条件是blockTable存在且有效，同时key、value是按照blockTable中的索引在一片连续内存中排布，支持key、value dtype为FLOAT16/BFLOAT16/INT8，在该场景下key、value的inputLayout参数无效。
- blockSize是用户自定义的参数，该参数的取值会影响page attention的性能，在使能page attention场景下，blockSize需要传入非0值, 且blockSize最大不超过512。key、value输入类型为FLOAT16/BFLOAT16时需要16对齐，key、value 输入类型为INT8时需要32对齐，推荐使用128。通常情况下，page attention可以提高吞吐量，但会带来性能上的下降。
- page attention场景下，当query的inputLayout为BNSD时，kv cache排布支持（blocknum, blocksize, H）和（blocknum, KV_N, blocksize, D）两种格式，当query的inputLayout为BSH、BSND时，kv cache排布只支持（blocknum, blocksize, H）一种格式。blocknum不能小于根据actualSeqLengthsKv和blockSize计算的每个batch的block数量之和。且key和value的shape需保证一致。
- page attention场景下，kv cache排布为（blocknum, KV_N, blocksize, D）时性能通常优于kv cache排布为（blocknum, blocksize, H）时的性能，建议优先选择（blocknum, KV_N, blocksize, D）格式。
- page attention使能场景下，当输入kv cache排布格式为（blocknum, blocksize, H），且 numKvHeads * headDim 超过64k时，受硬件指令约束，会被拦截报错。可通过使能GQA（减小 numKvHeads）或调整kv cache排布格式为（blocknum, numKvHeads, blocksize, D）解决。
- page attention场景下，必须传入输入actualSeqLengths。
- page attention场景下，blockTable必须为二维，第一维长度需等于B，第二维长度不能小于maxBlockNumPerSeq（maxBlockNumPerSeq为每个batch中最大actualSeqLengthsKv对应的block数量）。
- page attention使能场景下，以下场景输入S需要大于等于maxBlockNumPerSeq * blockSize。
- 使能 Attention mask，例如 mask shape为 (B, 1, 1, S)。
- 使能 pseShift，例如 pseShift shape为(B, N, 1, S)。
- 使能 kvPaddingSize，例如 kvPaddingSize shape为(1), 并且要求 S 大于等于 kvPaddingSize 加 每个Batch中最大actualSeqLengthsKv的和。
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。
#include <iostream>
#include <vector>
#include <cmath>
#include <cstring>
#include "securec.h"
#include "acl/acl.h"
#include "aclnn/opdev/fp16_t.h"
#include "aclnnop/aclnn_incre_flash_attention_v4.h"
using namespace std;
namespace {
#define CHECK_RET(cond) ((cond) ? true :(false))
#define LOG_PRINT(message, ...) \
do { \
(void)printf(message, ##__VA_ARGS__); \
} while (0)
int64_t GetShapeSize(const std::vector<int64_t>& shape) {
int64_t shapeSize = 1;
for (auto i : shape) {
shapeSize *= i;
}
return shapeSize;
}
int Init(int32_t deviceId, aclrtStream* stream) {
auto ret = aclInit(nullptr);
if (!CHECK_RET(ret == ACL_SUCCESS)) {
LOG_PRINT("aclInit failed. ERROR: %d\n", ret);
return ret;
}
ret = aclrtSetDevice(deviceId);
if (!CHECK_RET(ret == ACL_SUCCESS)) {
LOG_PRINT("aclrtSetDevice failed. ERROR: %d\n", ret);
return ret;
}
ret = aclrtCreateStream(stream);
if (!CHECK_RET(ret == ACL_SUCCESS)) {
LOG_PRINT("aclrtCreateStream failed. ERROR: %d\n", ret);
return ret;
}
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);
auto ret = aclrtMalloc(deviceAddr, size, ACL_MEM_MALLOC_HUGE_FIRST);
if (!CHECK_RET(ret == ACL_SUCCESS)) {
LOG_PRINT("aclrtMalloc failed. ERROR: %d\n", ret);
return ret;
}
ret = aclrtMemcpy(*deviceAddr, size, hostData.data(), size, ACL_MEMCPY_HOST_TO_DEVICE);
if (!CHECK_RET(ret == ACL_SUCCESS)) {
LOG_PRINT("aclrtMemcpy failed. ERROR: %d\n", ret);
return ret;
}
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];
}
*tensor = aclCreateTensor(shape.data(), shape.size(), dataType, strides.data(), 0, aclFormat::ACL_FORMAT_ND,
shape.data(), shape.size(), *deviceAddr);
return 0;
}
struct TensorResources {
void* queryDeviceAddr = nullptr;
void* keyDeviceAddr = nullptr;
void* valueDeviceAddr = nullptr;
void* attenDeviceAddr = nullptr;
void* outDeviceAddr = nullptr;
aclTensor* queryTensor = nullptr;
aclTensor* keyTensor = nullptr;
aclTensor* valueTensor = nullptr;
aclTensor* attenTensor = nullptr;
aclTensor* outTensor = nullptr;
aclTensorList* tensorKeyList = nullptr;
aclTensorList* tensorValueList = nullptr;
aclIntArray* actualSeqLengths = nullptr;
};
int InitializeTensors(TensorResources& resources) {
std::vector<int64_t> queryShape = {1, 2, 1, 16};
std::vector<int64_t> keyShape = {1, 2, 2, 16};
std::vector<int64_t> valueShape = {1, 2, 2, 16};
std::vector<int64_t> attenShape = {1, 1, 1, 2};
std::vector<int64_t> outShape = {1, 2, 1, 16};
int64_t queryShapeSize = GetShapeSize(queryShape);
int64_t keyShapeSize = GetShapeSize(keyShape);
int64_t valueShapeSize = GetShapeSize(valueShape);
int64_t attenShapeSize = GetShapeSize(attenShape);
int64_t outShapeSize = GetShapeSize(outShape);
std::vector<float> queryHostData(queryShapeSize, 1);
std::vector<float> keyHostData(keyShapeSize, 1);
std::vector<float> valueHostData(valueShapeSize, 1);
std::vector<int8_t> attenHostData(attenShapeSize, 1);
std::vector<float> outHostData(outShapeSize, 1);
int ret = CreateAclTensor(queryHostData, queryShape, &resources.queryDeviceAddr,
aclDataType::ACL_FLOAT16, &resources.queryTensor);
if (!CHECK_RET(ret == ACL_SUCCESS)) {
return ret;
}
ret = CreateAclTensor(keyHostData, keyShape, &resources.keyDeviceAddr,
aclDataType::ACL_FLOAT16, &resources.keyTensor);
if (!CHECK_RET(ret == ACL_SUCCESS)) {
return ret;
}
ret = CreateAclTensor(valueHostData, valueShape, &resources.valueDeviceAddr,
aclDataType::ACL_FLOAT16, &resources.valueTensor);
if (!CHECK_RET(ret == ACL_SUCCESS)) {
return ret;
}
ret = CreateAclTensor(attenHostData, attenShape, &resources.attenDeviceAddr,
aclDataType::ACL_INT8, &resources.attenTensor);
if (!CHECK_RET(ret == ACL_SUCCESS)) {
return ret;
}
ret = CreateAclTensor(outHostData, outShape, &resources.outDeviceAddr,
aclDataType::ACL_FLOAT16, &resources.outTensor);
if (!CHECK_RET(ret == ACL_SUCCESS)) {
return ret;
}
int kvTensorNum = 1;
aclTensor* tensorsOfKey[] = {resources.keyTensor};
resources.tensorKeyList = aclCreateTensorList(tensorsOfKey, kvTensorNum);
aclTensor* tensorsOfValue[] = {resources.valueTensor};
resources.tensorValueList = aclCreateTensorList(tensorsOfValue, kvTensorNum);
std::vector<int64_t> actualSeqlenVector = {2};
resources.actualSeqLengths = aclCreateIntArray(actualSeqlenVector.data(),
actualSeqlenVector.size());
return ACL_SUCCESS;
}
int ExecuteIncreFlashAttention(TensorResources& resources, aclrtStream stream,
void** workspaceAddr, uint64_t* workspaceSize) {
int64_t numHeads = 2;
int64_t numKeyValueHeads = numHeads;
int64_t blockSize = 1;
int64_t innerPrecise = 1;
double scaleValue = 1 / sqrt(2);
constexpr const char LAYER_OUT_STR[] = "BNSD";
constexpr size_t LAYER_OUT_LEN = sizeof(LAYER_OUT_STR);
char layerOut[LAYER_OUT_LEN];
memcpy(layerOut, LAYER_OUT_STR, LAYER_OUT_LEN);
aclOpExecutor* executor;
int ret = aclnnIncreFlashAttentionV4GetWorkspaceSize(
resources.queryTensor, resources.tensorKeyList, resources.tensorValueList,
nullptr, resources.attenTensor, resources.actualSeqLengths, nullptr,
nullptr, nullptr, nullptr, nullptr, nullptr, nullptr, nullptr, nullptr,
numHeads, scaleValue, layerOut, numKeyValueHeads, blockSize, innerPrecise,
resources.outTensor, workspaceSize, &executor);
if (!CHECK_RET(ret == ACL_SUCCESS)) {
LOG_PRINT("aclnnIncreFlashAttentionV4GetWorkspaceSize failed. ERROR: %d\n", ret);
return ret;
}
if (*workspaceSize > 0ULL) {
ret = aclrtMalloc(workspaceAddr, *workspaceSize, ACL_MEM_MALLOC_HUGE_FIRST);
if (!CHECK_RET(ret == ACL_SUCCESS)) {
LOG_PRINT("allocate workspace failed. ERROR: %d\n", ret);
return ret;
}
}
ret = aclnnIncreFlashAttentionV4(*workspaceAddr, *workspaceSize, executor, stream);
if (!CHECK_RET(ret == ACL_SUCCESS)) {
LOG_PRINT("aclnnIncreFlashAttentionV4 failed. ERROR: %d\n", ret);
return ret;
}
return ACL_SUCCESS;
}
int ProcessResults(TensorResources& resources, const std::vector<int64_t>& outShape) {
auto size = GetShapeSize(outShape);
std::vector<op::fp16_t> resultData(size, 0);
int ret = aclrtMemcpy(resultData.data(), resultData.size() * sizeof(resultData[0]),
resources.outDeviceAddr, size * sizeof(resultData[0]),
ACL_MEMCPY_DEVICE_TO_HOST);
if (!CHECK_RET(ret == ACL_SUCCESS)) {
LOG_PRINT("copy result from device to host failed. ERROR: %d\n", ret);
return ret;
}
for (int64_t i = 0; i < size; i++) {
std::cout << "index: " << i << ": " << static_cast<float>(resultData[i]) << std::endl;
}
return ACL_SUCCESS;
}
void CleanupResources(TensorResources& resources, void* workspaceAddr,
aclrtStream stream, int32_t deviceId) {
if (resources.queryTensor) {
aclDestroyTensor(resources.queryTensor);
}
if (resources.keyTensor) {
aclDestroyTensor(resources.keyTensor);
}
if (resources.valueTensor) {
aclDestroyTensor(resources.valueTensor);
}
if (resources.attenTensor) {
aclDestroyTensor(resources.attenTensor);
}
if (resources.outTensor) {
aclDestroyTensor(resources.outTensor);
}
if (resources.actualSeqLengths) {
aclDestroyIntArray(resources.actualSeqLengths);
}
if (resources.queryDeviceAddr) {
aclrtFree(resources.queryDeviceAddr);
}
if (resources.keyDeviceAddr) {
aclrtFree(resources.keyDeviceAddr);
}
if (resources.valueDeviceAddr) {
aclrtFree(resources.valueDeviceAddr);
}
if (resources.attenDeviceAddr) {
aclrtFree(resources.attenDeviceAddr);
}
if (resources.outDeviceAddr) {
aclrtFree(resources.outDeviceAddr);
}
if (workspaceAddr) {
aclrtFree(workspaceAddr);
}
if (stream) {
aclrtDestroyStream(stream);
}
aclrtResetDevice(deviceId);
aclFinalize();
}
} // namespace
int main() {
int32_t deviceId = 0;
aclrtStream stream = nullptr;
TensorResources resources = {};
void* workspaceAddr = nullptr;
uint64_t workspaceSize = 0;
std::vector<int64_t> outShape = {1, 2, 1, 16};
int ret = ACL_SUCCESS;
// 1. Initialize device and stream
ret = Init(deviceId, &stream);
if (!CHECK_RET(ret == ACL_SUCCESS)) {
LOG_PRINT("Init acl failed. ERROR: %d\n", ret);
return ret;
}
// 2. Initialize tensors
ret = InitializeTensors(resources);
if (!CHECK_RET(ret == ACL_SUCCESS)) {
CleanupResources(resources, workspaceAddr, stream, deviceId);
return ret;
}
// 3. Execute the operation
ret = ExecuteIncreFlashAttention(resources, stream, &workspaceAddr, &workspaceSize);
if (!CHECK_RET(ret == ACL_SUCCESS)) {
CleanupResources(resources, workspaceAddr, stream, deviceId);
return ret;
}
// 4. Synchronize stream
ret = aclrtSynchronizeStream(stream);
if (!CHECK_RET(ret == ACL_SUCCESS)) {
LOG_PRINT("aclrtSynchronizeStream failed. ERROR: %d\n", ret);
CleanupResources(resources, workspaceAddr, stream, deviceId);
return ret;
}
// 5. Process results
ret = ProcessResults(resources, outShape);
if (!CHECK_RET(ret == ACL_SUCCESS)) {
CleanupResources(resources, workspaceAddr, stream, deviceId);
return ret;
}
// 6. Cleanup resources
CleanupResources(resources, workspaceAddr, stream, deviceId);
return 0;
}