EmbeddingDenseBackward

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

实现[Embedding]的反向计算,将相同索引indices对应grad的一行累加到out上。

参数说明

参数名	输入/输出/属性	描述	数据类型	数据格式
grad	计算输入	数据的原始梯度，Device侧的aclTensor，支持维度2-8维，除尾轴外合轴后shape与indices合轴后shape相同；支持非连续的Tensor。	BFLOAT16、FLOAT16、FLOAT	ND
indices	计算输入	grad输入对应的索引值，Device侧的aclTensor，取值范围为[0, numWeights)，支持维度1-8维，支持非连续的Tensor。	FLOAT、FLOAT16、DOUBLE、INT32、INT64、INT16、INT8、UINT8、BOOL	ND
numWeights	计算输入	输出tensor的首轴大小（uint64_t）。	UINT64	-
paddingIdx	计算输入	将输出tensor中第paddingIdx行填充成0；若paddingIdx为负数则不进行处理（uint64_t）。	UINT64	-
scaleGradByFreq	计算输入	是否根据单词出现频率对梯度进行缩放。true：按词频缩放；false：不处理。	Bool	-
out	计算输出	梯度求和的结果输出，Device侧的aclTensor，维度为2维，首轴大小为numWeights，尾轴大小与grad尾轴相同，仅支持ND格式。	BFLOAT16、FLOAT16、FLOAT	ND

• Atlas 训练系列产品：grad和out参数数据类型不支持BFLOAT16。

约束说明

• Atlas 训练系列产品：

  • 对于scale为true的场景，设定grad最后一维为embeddingDim，其大小超出指定范围时会被拦截报错。其合理范围如下：
    • indices为int32时，需满足

    $$embeddingDim<\frac{180192-countsSize\ast 4}{36}$$

    • indices为int64时，需满足

    $$embeddingDim<\frac{180192-countsSize\ast 8}{20}$$

    • 其中，countsSize的公式如下，coreNum代表AI处理器核数：

    $$countsSize=numWeights/coreNum+numWeights\%coreNum$$

• Atlas A2 训练系列产品/Atlas A2 推理系列产品、Atlas A3 训练系列产品/Atlas A3 推理系列产品：

  • 在参数shape超过以下限制时，输出无法保证高精度，若开启了确定性计算，也无法保证高性能
    • grad合轴成二维shape后，第一个维度超过INT32_MAX(2147483647)
    • numWeights超过INT32_MAX(2147483647)
  • indices合轴后维度超过INT32_INF(2139095040)时，无法保证高性能

  调用说明

  调用方式	调用样例	说明
  aclnn调用	test_aclnn_embedding_dense_grad	通过aclnnEmbeddingDenseBackward接口方式调用EmbeddingDenseGrad算子。