尧图网站开发 
CANN ops-transformer 中 aclnnFlashAttentionVarLenScoreV2 接口实战基于 TND 排布的可变长 FlashAttention 训练加速【免费下载链接】ops-transformer本项目是CANN提供的transformer类大模型算子库实现网络在NPU上加速计算。项目地址: https://gitcode.com/cann/ops-transformer本篇技术指南围绕 CANN ops-transformer 仓库中 FlashAttentionScore 算子族的aclnnFlashAttentionVarLenScoreV2两段式接口展开面向训练场景下一次性传入多个长度不相等 sequence 的自注意力self-attention计算需求。读完本文你将掌握该接口的产品支持范围、TND 数据排布与累积长度语义、全部 26 个入参与 4 个输出的含义与取值约束、pseType/sparseMode 等关键属性的组合规则并能基于仓库中的完整示例代码编写出可编译运行的调用程序同时了解其底层 op_api、op_host 实现链路。一、接口概述与产品支持情况aclnnFlashAttentionVarLenScoreV2是 CANN ops-transformer 中 FlashAttentionScore 算子在训练场景下的可变长VarLenV2 版本。它与定长接口 aclnnFlashAttentionScoreV2 的核心区别在于该接口支持可变长 S 的计算即一次调用可传入多个长度不相等的 sequence。使用此接口时query、key、value 使用 TND 格式传入数据其中 Ttotal number表示所有 sequence 的 length 总和同时使用actualSeqQLenOptional与actualSeqKvLenOptional传入每个 sequence 依次的累积长度以区分不同 sequence每个 sequence 单独计算其注意力结果。其产品支持情况如下表所示产品是否支持Ascend 950PR / Ascend 950DT支持Atlas A3 训练系列产品 / Atlas A3 推理系列产品支持Atlas A2 训练系列产品 / Atlas A2 推理系列产品支持Atlas 200I/500 A2 推理产品不支持Atlas 推理系列产品310P不支持Atlas 训练系列产品910不支持说明仓库根目录 README.md 指出 ops-transformer 定位为 CANN 提供的 transformer 类大模型算子库FlashAttentionScore 系列算子README.md即其注意力计算的核心成员本文接口即隶属于该算子族。二、功能说明与计算公式该接口在训练场景下使用 FlashAttention 算法实现 self-attention 计算其正向计算公式根据pseType的取值分为两种情况pseType 1 时与 aclnnFlashAttentionVarLenScore 的计算公式相同即先 add 再 mul$$ attention_outDropout(Softmax(Mask(scale*(psequery*key^T),atten_mask)),keep_prob)*value $$pseType 其他取值时0、2、3先 mul 再 add$$ attention_outDropout(Softmax(Mask(scale*(query*key^T) pse),atten_mask),keep_prob)*value $$从仓库源码结构看op_api 层的 flash_attention_score.cpp 将pse_type作为算子属性透传给底层OP_ATTR(...sparseMode, pseType, ...)而算子原型定义 flash_attention_score_def.cpp 中Attr(pse_type).AttrType(OPTIONAL).Int(1)表明其默认值为 1先 add 再 mul这与 README 中“pseType1 时需要先 add 再 mulpseType≠1 时需要先 mul 再 add”的描述一致。三、两段式接口与函数原型与其他 aclnn 单算子 API 一致该算子采用两段式接口调用方式必须先调用第一段接口aclnnFlashAttentionVarLenScoreV2GetWorkspaceSize获取计算所需 workspace 大小以及包含了算子计算流程的执行器executor再调用第二段接口aclnnFlashAttentionVarLenScoreV2执行计算。两段接口的函数原型如下aclnnStatus aclnnFlashAttentionVarLenScoreV2GetWorkspaceSize( const aclTensor *query, const aclTensor *key, const aclTensor *value, const aclTensor *realShiftOptional, const aclTensor *dropMaskOptional, const aclTensor *paddingMaskOptional, const aclTensor *attenMaskOptional, const aclIntArray *prefixOptional, const aclIntArray *actualSeqQLenOptional, const aclIntArray *actualSeqKvLenOptional, const aclIntArray *qStartIdxOptional, const aclIntArray *kvStartIdxOptional, double scaleValue, double keepProb, int64_t preTokens, int64_t nextTokens, int64_t headNum, char *inputLayout, int64_t innerPrecise, int64_t sparseMode, int64_t pseType, const aclTensor *softmaxMaxOut, const aclTensor *softmaxSumOut, const aclTensor *softmaxOutOut, const aclTensor *attentionOutOut, uint64_t *workspaceSize, aclOpExecutor **executor)aclnnStatus aclnnFlashAttentionVarLenScoreV2( void *workspace, uint64_t workspaceSize, aclOpExecutor *executor, const aclrtStream stream)第一段接口完成入参校验、shape 推断与 workspace 大小计算第二段接口在指定的 stream 上真正下发计算任务。需要注意的是第二段接口不能重复调用。四、第一段接口参数详解aclnnFlashAttentionVarLenScoreV2GetWorkspaceSize的参数可分为输入 Tensor、可选输入 Tensor、标量属性与输出四类完整参数说明如下参数名输入/输出描述使用说明数据类型数据格式维度(shape)非连续Tensorquery输入公式中的 query数据类型与 key/value 一致FLOAT16、BFLOAT16、FLOAT32ND[TND]√key输入公式中的 key数据类型与 query/value 一致FLOAT16、BFLOAT16、FLOAT32ND[TND]√value输入公式中的 value数据类型与 query/key 一致FLOAT16、BFLOAT16、FLOAT32ND[TND]√realShiftOptional可选输入公式中的 pse数据类型与 query 一致需与 pseType 配套使用FLOAT16、BFLOAT16、FLOAT32ND[B,N,1024,Skv]、[1,N,1024,Skv]、[pseTotalLen]、[B,N]、[N]√dropMaskOptional可选输入公式中的 Dropout-UINT8ND0、1√paddingMaskOptional可选输入预留参数暂未使用-----attenMaskOptional可选输入公式中的 atten_mask取值为 1 代表该位不参与计算为 0 代表该位参与计算BOOL、UINT8ND[B,N,Sq,Skv]、[B,1,Sq,Skv]、[1,1,Sq,Skv]、[Sq,Skv]√prefixOptional可选输入代表 prefix 稀疏计算场景每个 Batch 的 N 值-INT64ND0、1-actualSeqQLenOptional可选输入描述每个 Batch 对应的 query 的 sequence length-INT64ND0、1-actualSeqKvLenOptional可选输入描述每个 Batch 对应的 key/value 的 sequence length-INT64ND0、1-qStartIdxOptional可选输入代表外切场景当前分块的 query 的 sequence 在全局中的起始索引-INT64ND0、1-kvStartIdxOptional可选输入代表外切场景当前分块的 key 和 value 的 sequence 在全局中的起始索引-INT64ND0、1-scaleValue可选输入公式中的 scale代表缩放系数-DOUBLE---keepProb可选输入代表 dropMaskOptional 中 1 的比例-DOUBLE---preTokens可选输入用于稀疏计算表示 sliding window 的左边界-INT64---nextTokens可选输入用于稀疏计算表示 sliding window 的右边界-INT64---headNum输入代表单卡的 head 个数即输入 query 的 N 轴长度-INT64---inputLayout输入代表输入 query、key、value 的数据排布格式支持 TNDString---innerPrecise可选输入用于提升精度默认配置为 0 即可INT64---sparseMode可选输入表示 sparse 的模式支持配置值为 0、1、2、3、4、6、7、8INT64---pseType可选输入控制 mul 与 add 计算顺序支持配置值为 0、1、2、3INT64---softmaxMaxOut输出Softmax 计算的 Max 中间结果用于反向计算-FLOATND[N,T,8]√softmaxSumOut输出Softmax 计算的 Sum 中间结果用于反向计算-FLOATND[N,T,8]√softmaxOutOut输出预留参数暂未使用-----attentionOutOut输出计算公式的最终输出数据类型和 shape 类型与 query 保持一致FLOAT16、BFLOAT16、FLOAT32ND[TND]√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-----从仓库源码看infershape 实现 flash_attention_score_infershape.cpp 对 TND 场景做了专门校验TND 排布下要求headNum必须等于 query 的 N 轴长度For TND layout, headNum must equal the N dim of query并校验 query 与 key 的 D 轴相等、key 的 D 轴不小于 value 的 D 轴qD kD kD vD这些校验与文档“约束说明”中的 B/D/inputLayout 约束相互印证。五、返回值与错误码两个接口均返回aclnnStatus状态码具体定义参见 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_NULLPTR161001传入参数是必选输入、输出或者必选属性且是空指针ACLNN_ERR_PARAM_INVALID161002query、key、value、realShiftOptional、dropMaskOptional、paddingMaskOptional、attenMaskOptional、softmaxMaxOut、softmaxSumOut、softmaxOutOut、attentionOutOut 的数据类型不在支持的范围内ACLNN_ERR_PARAM_INVALID161002query、key、value、realShiftOptional、dropMaskOptional、paddingMaskOptional、attenMaskOptional、softmaxMaxOut、softmaxSumOut、softmaxOutOut、attentionOutOut 的数据格式不在支持的范围内六、第二段接口参数说明aclnnFlashAttentionVarLenScoreV2的参数较少执行时仅需传入第一段接口产出的三要素与目标 stream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七、约束说明7.1 通用约束确定性计算aclnnFlashAttentionVarLenScoreV2为默认确定性实现相关背景可参考 确定性计算。该接口与 PyTorch 配合使用时需要保证 CANN 相关包与 PyTorch 相关包的版本匹配。输入 query、key、value 的约束Bbatchsize 必须相等DHead-Dim 必须满足qD kD kD vDinputLayout 必须一致。shape 取值范围T11MN1256D1768。7.2 TND 数据排布query、key、value 数据排布格式仅支持 TND。T 是 B 和 S 合轴紧密排列的数据每个 batch 的 SeqLenQ 和 SeqLenKV其中 BBatch表示输入样本批量大小、SSeq-Length表示输入样本序列长度、HHead-Size表示隐藏层的大小、NHead-Num表示多头数、DHead-Dim表示隐藏层最小的单元尺寸且满足 D H / N。7.3 realShiftOptionalpse与 pseTypealibi 位置编码压缩内存优化如果 Sq 大于 1024且每个 batch 的 Sq 与 Skv 等长且是 sparseMode 为 0、2、3 的下三角掩码场景可开启 alibi 位置编码压缩此时只需输入原始 PSE 最后 1024 行即alibi_compress ori_pse[:, :, -1024:, :]具体规则如下参数每个 batch 不相同时shape 为BNHSkv(H1024)每个 batch 相同时shape 为1NHSkv(H1024)TND 场景下每个 batch 段内部仍按[N, Sq_i, Skv_i]生成但存储与传参时统一 flatten。若第 i 个 batch 段的真实 query 长度为 Sq_i、真实 key/value 长度为 Skv_i则该段 PSE 元素个数为N * Sq_i * Skv_i整段 PSE 总长度pseTotalLen为sum_i(N * Sq_i * Skv_i)如果 pseType 为 2 或 3 时数据类型需为 FLOAT32对应 shape 支持范围是[B,N]或[N]如果不开启该参数realShiftOptional 需要传入 nullptrpseType 需要传入 1。pseType 各取值含义pseType含义备注0外部传入 pse 先 mul 再 add-1外部传入 pse 先 add 再 mul跟 aclnnFlashAttentionUnpaddingScoreGrad 实现一致2内部生成 pse 先 mul 再 add-3内部生成 pse 先 mul 再 add 再 sqrt-pseType 为 2 或 3 时当前只支持 Sq 和 Skv 等长。从源码看infershape 中的 flash_attention_score_infershape.cpp 对 pseType 2/3 场景做了强校验内部生成 alibi pse 时realShiftOptional不允许为空指针且其数据类型必须是 FLOAT否则返回参数校验错误tiling 实现 flash_attention_score_tiling_varlen.cpp 中也可看到 pse alibi 场景对 sparse_type 的限制必须为 CAUSAL 或 RIGHT_DOWN_CAUSAL。7.4 innerPrecise当前 0、1 为保留配置值2 为开启无效行计算其功能是避免在计算过程中存在整行 mask 进而导致精度有损失但该配置会导致性能下降。如果算子可判断出存在无效行场景会自动开启无效行计算例如 sparseMode 为 3、Sq Skv 场景。7.5 sparseMode 约束当所有的 attenMaskOptional 的 shape 小于 2048 且相同的时候建议使用 default 模式0以减少内存使用量配置为 1、2、3 时用户配置的 preTokens、nextTokens 不会生效配置为 0、4 时须保证 attenMaskOptional 与 preTokens、nextTokens 的范围一致用户不特意指定时建议传入 0sparse 不同模式的详细说明请参见 sparseMode 介绍其中 varlen 场景仅支持 0/1/2/3/4/6/7/8非压缩 prefix 模式 5 与 treeMask 模式 9 不属于本接口支持范围配置为 3 时不支持无效行计算需要满足每个 batch 的 Sq Skv配置为 7 时不支持可选输入 realShiftOptional配置为 8 时当每个 sequence 的 q、kv 等长时支持可选输入 realShiftOptional针对全局做 pse 生成支持 q 方向进行外切需要外切前每个 sequence 的 q、kv 等长外切后传入的actualSeqQLenOptional[0] - actualSeqKvLenOptional[0] qStartIdxOptional - kvStartIdxOptional 0本功能属实验性功能。tiling 侧 flash_attention_score_tiling_varlen.cpp 中也存在对 sparseMode 与 preTokens/nextTokens 匹配性的校验preTokens and nextTokens not match sparseMode与文档约束一致。7.6 其他约束部分场景下如果计算量过大可能会导致算子执行超时aicore error 类型报错errorStr 为timeout or trap error此时建议做轴切分处理。这里的计算量受 B、S、N、D 等参数影响值越大计算量越大。band 场景preTokens 和 nextTokens 之间必须要有交集。prefixOptional 稀疏计算场景即 sparseMode6当 Sq Skv 时prefix 的 N 值取值范围[0, Skv]当 Sq Skv 时prefix 的 N 值取值范围[Skv-Sq, Skv]。actualSeqQLenOptional 输入支持某个 Batch 上的 S 长度为 0此时不支持可选输入 realShiftOptionalactualSeqQLenOptional 的长度取值范围为 12K当存在 prefixOptional 输入时其长度最大支持 1K。例如真实的 S 长度为[2,2,0,2,2]则传入的 actualSeqQLenOptional 为[2,4,4,6,8]累积长度语义0 长度 batch 使用与前一项相同的累积值。attenMaskOptional 输入不支持补 pad即 attenMaskOptional 中不能存在某一行全 1 的场景。八、完整调用示例以下调用示例代码来自仓库文档仅供参考具体编译和执行过程请参考 编译与运行样例。仓库 examples/test_aclnn_flash_attention_score.cpp 亦提供了可参考的样例工程。#include iostream #include vector #include acl/acl.h #include aclnnop/aclnn_flash_attention_score.h #define CHECK_RET(cond, return_expr) \ do { \ if (!(cond)) { \ return_expr; \ } \ } while (0) #define LOG_PRINT(message, ...) \ do { \ printf(message, ##__VA_ARGS__); \ } while (0) int64_t GetShapeSize(const std::vectorint64_t shape) { int64_t shapeSize 1; for (auto i : shape) { shapeSize * i; } return shapeSize; } void PrintOutResult(std::vectorint64_t shape, void** deviceAddr) { auto size GetShapeSize(shape); std::vectorfloat resultData(size, 0); auto ret aclrtMemcpy(resultData.data(), resultData.size() * sizeof(resultData[0]), *deviceAddr, size * sizeof(resultData[0]), ACL_MEMCPY_DEVICE_TO_HOST); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(copy result from device to host failed. ERROR: %d\n, ret); return); for (int64_t i 0; i size; i) { LOG_PRINT(mean result[%ld] is: %f\n, i, resultData[i]); } } int Init(int32_t deviceId, aclrtStream* stream) { // 固定写法资源初始化 auto ret aclInit(nullptr); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclInit failed. ERROR: %d\n, ret); return ret); ret aclrtSetDevice(deviceId); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclrtSetDevice failed. ERROR: %d\n, ret); return ret); ret aclrtCreateStream(stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclrtCreateStream failed. ERROR: %d\n, ret); return ret); return 0; } template typename T int CreateAclTensor(const std::vectorT hostData, const std::vectorint64_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::vectorint64_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 main() { // 1.固定写法device/stream初始化参考acl API手册 // 根据自己的实际device填写deviceId int32_t deviceId 0; aclrtStream stream; auto ret Init(deviceId, stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(Init acl failed. ERROR: %d\n, ret); return ret); // 2. 构造输入与输出需要根据API的接口自定义构造 std::vectorint64_t qShape {256, 1, 128}; std::vectorint64_t kShape {256, 1, 128}; std::vectorint64_t vShape {256, 1, 128}; std::vectorint64_t attenmaskShape {256, 256}; std::vectorint64_t attentionOutShape {256, 1, 128}; std::vectorint64_t softmaxMaxShape {256, 1, 8}; std::vectorint64_t softmaxSumShape {256, 1, 8}; void* qDeviceAddr nullptr; void* kDeviceAddr nullptr; void* vDeviceAddr nullptr; void* attenmaskDeviceAddr nullptr; void* attentionOutDeviceAddr nullptr; void* softmaxMaxDeviceAddr nullptr; void* softmaxSumDeviceAddr nullptr; aclTensor* q nullptr; aclTensor* k nullptr; aclTensor* v nullptr; aclTensor* pse nullptr; aclTensor* dropMask nullptr; aclTensor* padding nullptr; aclTensor* attenmask nullptr; aclTensor* attentionOut nullptr; aclTensor* softmaxMax nullptr; aclTensor* softmaxSum nullptr; aclTensor* softmaxOut nullptr; std::vectorfloat qHostData(32768, 1); std::vectorfloat kHostData(32768, 1); std::vectorfloat vHostData(32768, 1); std::vectoruint8_t attenmaskHostData(65536, 0); std::vectorfloat attentionOutHostData(32768, 0); std::vectorfloat softmaxMaxHostData(2048, 3.0); std::vectorfloat softmaxSumHostData(2048, 3.0); ret CreateAclTensor(qHostData, qShape, qDeviceAddr, aclDataType::ACL_FLOAT, q); CHECK_RET(ret ACL_SUCCESS, return ret); ret CreateAclTensor(kHostData, kShape, kDeviceAddr, aclDataType::ACL_FLOAT, k); CHECK_RET(ret ACL_SUCCESS, return ret); ret CreateAclTensor(vHostData, vShape, vDeviceAddr, aclDataType::ACL_FLOAT, v); CHECK_RET(ret ACL_SUCCESS, return ret); ret CreateAclTensor(attenmaskHostData, attenmaskShape, attenmaskDeviceAddr, aclDataType::ACL_UINT8, attenmask); CHECK_RET(ret ACL_SUCCESS, return ret); ret CreateAclTensor(attentionOutHostData, attentionOutShape, attentionOutDeviceAddr, aclDataType::ACL_FLOAT, attentionOut); CHECK_RET(ret ACL_SUCCESS, return ret); ret CreateAclTensor(softmaxMaxHostData, softmaxMaxShape, softmaxMaxDeviceAddr, aclDataType::ACL_FLOAT, softmaxMax); CHECK_RET(ret ACL_SUCCESS, return ret); ret CreateAclTensor(softmaxSumHostData, softmaxSumShape, softmaxSumDeviceAddr, aclDataType::ACL_FLOAT, softmaxSum); CHECK_RET(ret ACL_SUCCESS, return ret); std::vectorint64_t prefixOp {0}; aclIntArray *prefix aclCreateIntArray(prefixOp.data(), 1); std::vectorint64_t qStartIdxOp {0}; std::vectorint64_t kvStartIdxOp {0}; aclIntArray *qStartIdx aclCreateIntArray(qStartIdxOp.data(), 1); aclIntArray *kvStartIdx aclCreateIntArray(kvStartIdxOp.data(), 1); std::vectorint64_t acSeqQLenOp {256}; std::vectorint64_t acSeqKvLenOp {256}; aclIntArray* acSeqQLen aclCreateIntArray(acSeqQLenOp.data(), acSeqQLenOp.size()); aclIntArray* acSeqKvLen aclCreateIntArray(acSeqKvLenOp.data(), acSeqKvLenOp.size()); double scaleValue 0.088388; double keepProb 1; int64_t preTokens 65536; int64_t nextTokens 65536; int64_t headNum 1; int64_t innerPrecise 0; int64_t sparseMode 0; int64_t pseType 1; char layOut[5] {T, N, D, 0}; // 3. 调用CANN算子库API需要修改为具体的Api名称 uint64_t workspaceSize 0; aclOpExecutor* executor; // 调用aclnnFlashAttentionVarLenScoreV2第一段接口 ret aclnnFlashAttentionVarLenScoreV2GetWorkspaceSize( q, k, v, pse, dropMask, padding, attenmask, prefix, acSeqQLen, acSeqKvLen, qStartIdx, kvStartIdx, scaleValue, keepProb, preTokens, nextTokens, headNum, layOut, innerPrecise, sparseMode, pseType, softmaxMax, softmaxSum, softmaxOut, attentionOut, workspaceSize, executor); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclnnFlashAttentionVarLenScoreV2GetWorkspaceSize failed. ERROR: %d\n, ret); return ret); // 根据第一段接口计算出的workspaceSize申请device内存 void* workspaceAddr nullptr; 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aclnnFlashAttentionVarLenScoreV2第二段接口 ret aclnnFlashAttentionVarLenScoreV2(workspaceAddr, workspaceSize, executor, stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclnnFlashAttentionVarLenScoreV2 failed. ERROR: %d\n, ret); return ret); // 4.固定写法同步等待任务执行结束 ret aclrtSynchronizeStream(stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclrtSynchronizeStream failed. ERROR: %d\n, ret); return ret); // 5. 获取输出的值将device侧内存上的结果拷贝至host侧需要根据具体API的接口定义修改 PrintOutResult(attentionOutShape, attentionOutDeviceAddr); PrintOutResult(softmaxMaxShape, softmaxMaxDeviceAddr); PrintOutResult(softmaxSumShape, softmaxSumDeviceAddr); // 6. 释放aclTensor和aclScalar需要根据具体API的接口定义修改 aclDestroyTensor(q); aclDestroyTensor(k); aclDestroyTensor(v); aclDestroyTensor(attenmask); aclDestroyTensor(attentionOut); aclDestroyTensor(softmaxMax); aclDestroyTensor(softmaxSum); // 7. 释放device资源 aclrtFree(qDeviceAddr); aclrtFree(kDeviceAddr); aclrtFree(vDeviceAddr); aclrtFree(attenmaskDeviceAddr); aclrtFree(attentionOutDeviceAddr); aclrtFree(softmaxMaxDeviceAddr); aclrtFree(softmaxSumDeviceAddr); if (workspaceSize 0) { aclrtFree(workspaceAddr); } aclrtDestroyStream(stream); aclrtResetDevice(deviceId); aclFinalize(); return 0; }示例中要点说明构造 Tensor 时需自行通过aclrtMalloc/aclrtMemcpy完成 Device 侧内存申请与数据搬运并用aclCreateTensor按 ND 格式创建 aclTensoractualSeqQLenOptional/actualSeqKvLenOptional传入的是累积长度cumulative示例中单 batch 场景为{256}scaleValue 0.088388即常见的1/sqrt(D)D128 时1/√128≈0.088388缩放系数preTokens/nextTokens 65536配合sparseMode 0表示不做窗口限制取较大值覆盖全序列未使用 pse 时pse传nullptr对应pseType 1不开 alibi 压缩时的标准配置。九、源码实现佐证9.1 接口声明与 op_api 层接口声明位于 aclnn_flash_attention_score.h其中aclnnFlashAttentionVarLenScoreV2GetWorkspaceSize与aclnnFlashAttentionVarLenScoreV2的形参顺序与文档原型完全一致并在注释中标明domain aclnn_ops_train即训练域算子。在 flash_attention_score.cpp 的 L0 实现中prefixOptional、actualSeqQLenOptional、actualSeqKvLenOptional、qStartIdxOptional、kvStartIdxOptional等aclIntArray可选入参会被转换为 INT64 的 ND Tensor 并统一置为 ND 格式后进入INFER_SHAPE与ADD_TO_LAUNCHER_LIST_AICORE流程softmaxMaxOut/softmaxSumOut固定按 FLOAT 类型分配attentionOutOut默认与 query 同 dtype 分配。这一实现细节解释了为什么文档中 softmax 中间输出仅支持 FLOAT 类型。9.2 算子原型定义flash_attention_score_def.cpp 定义了 FlashAttentionScore 算子原型与本文接口直接相关的属性默认值如下scale_value可选默认 1.0keep_prob可选默认 1.0pre_tockens/next_tockens可选默认 2147483647int64 最大值等价于不限窗口inner_precise可选默认 0sparse_mode可选默认 0defaultMask 模式pse_type可选默认 1外部 pse 先 add 再 mul。该文件还声明了ascend910b/ascend910_93Atlas A2 训练系列与ascend950Ascend 950 系列的 AICore 配置与文档“产品支持情况”中的硬件范围一致。9.3 Host 侧 infershape 与 tilingflash_attention_score_infershape.cpp 中AnalysisAxisForTnd按(T, N, D)解析 TND 排布并校验headNum query 的 N 轴校验 query/key/value 三者的数据类型必须一致pseType 为 2/3内部 alibi时 realShift 必须为非空 FLOAT Tensor对actualSeqQLen/actualSeqKvLen的长度设置了告警上限20000 以内对应文档中“长度取值范围 12K”的约束语义。tiling 侧 flash_attention_score_tiling_varlen.cpp 负责可变长场景下的切分与稀疏模式映射SparseMode枚举映射并针对内部 pse alibi 场景限制了 sparseType 必须为 causal 类模式从底层印证了文档 7.3、7.5 节的约束条款。9.4 测试与样例资源仓库为 FlashAttentionScore 算子族提供了系统性的验证资源可帮助读者进一步理解该接口的正确用法样例工程examples/test_aclnn_flash_attention_score.cppCPU/GPU 参考实现tests/pytest/cpu_impl.py、tests/pytest/npu_impl.py单测用例tests/ut/op_api/test_aclnn_flash_attention_score.cpp 与 host 侧 infershape/inferdatatype 用例tests/ut/op_host。十、与其他 VarLen 版本接口的关系在 docs 目录下本接口还对应一系列演进版本实际选型时可结合需求参考接口相对 V2 的差异从接口签名与文档看aclnnFlashAttentionVarLenScoreV1无 qStartIdx/kvStartIdx不支持外切、无 pseType 属性pse 固定先 add 再 mulaclnnFlashAttentionVarLenScoreV2本文主题新增 qStartIdx/kvStartIdx 外切支持与 pseType 属性0/1/2/3aclnnFlashAttentionVarLenScoreV3新增 queryRope/keyRope 输入支持旋转位置编码在算子内完成aclnnFlashAttentionVarLenScoreV4新增 softmaxOutLayout 参数aclnnFlashAttentionVarLenScoreV5在 V3 基础上叠加 sink 输入与 softmaxOutLayout并新增 GetMaxWorkspaceSize 变体十一、常见问题与调优建议可变长 sequence 如何组织输入TND 排布要求 query/key/value 的第 0 维为所有 sequence 长度总和 T各 batch 段按顺序紧密排列actualSeqQLenOptional/actualSeqKvLenOptional传入的是累积长度而非逐段长度如两段各 2 与 3应传[2,5]0 长度 batch 的累积值沿用前一项。是否需要传 attenMask当 attenMaskOptional 为 None 时sparseMode、preTokens、nextTokens 参数不生效固定为全计算若需要 causal 等掩码须按 sparseMode 对应模式传入正确 shape 的掩码矩阵且不支持补 pad不能出现某一行全 1。pse 与 pseType 如何搭配不使用位置编码时 pse 传 nullptr 且 pseType1需要 alibi 且 Sq1024 时可开启压缩只传最后 1024 行pseType2/3 为内部生成 pse要求 SqSkv 且 pse 数据类型为 FLOAT32。精度与性能取舍innerPrecise2开启无效行计算可避免整行 mask 导致的精度损失但会带来性能下降默认 0 即可。执行超时处理B、S、N、D 过大会导致 aicore errortimeout or trap error应做轴切分例如对 S 或 N 进行切块后多次调用。与 PyTorch 混用需保证 CANN 相关包与 PyTorch 相关包版本匹配避免底层接口签名不一致导致的异常。通过本文对接口原型、参数语义、约束体系、示例代码与源码链路的系统梳理读者应能独立完成aclnnFlashAttentionVarLenScoreV2的接入与调参并基于仓库中的 设计介绍 进一步深入 FlashAttention 在 NPU 上的分块tiling与稀疏计算原理。【免费下载链接】ops-transformer本项目是CANN提供的transformer类大模型算子库实现网络在NPU上加速计算。项目地址: https://gitcode.com/cann/ops-transformer创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
CANN ops-transformer 中 aclnnFlashAttentionVarLenScoreV2 接口实战：基于 TND 排布的可变长 FlashAttention 训练加速
CANN ops-transformer 中 aclnnFlashAttentionVarLenScoreV2 接口实战基于 TND 排布的可变长 FlashAttention 训练加速【免费下载链接】ops-transformer本项目是CANN提供的transformer类大模型算子库实现网络在NPU上加速计算。项目地址: https://gitcode.com/cann/ops-transformer本篇技术指南围绕 CANN ops-transformer 仓库中 FlashAttentionScore 算子族的aclnnFlashAttentionVarLenScoreV2两段式接口展开面向训练场景下一次性传入多个长度不相等 sequence 的自注意力self-attention计算需求。读完本文你将掌握该接口的产品支持范围、TND 数据排布与累积长度语义、全部 26 个入参与 4 个输出的含义与取值约束、pseType/sparseMode 等关键属性的组合规则并能基于仓库中的完整示例代码编写出可编译运行的调用程序同时了解其底层 op_api、op_host 实现链路。一、接口概述与产品支持情况aclnnFlashAttentionVarLenScoreV2是 CANN ops-transformer 中 FlashAttentionScore 算子在训练场景下的可变长VarLenV2 版本。它与定长接口 aclnnFlashAttentionScoreV2 的核心区别在于该接口支持可变长 S 的计算即一次调用可传入多个长度不相等的 sequence。使用此接口时query、key、value 使用 TND 格式传入数据其中 Ttotal number表示所有 sequence 的 length 总和同时使用actualSeqQLenOptional与actualSeqKvLenOptional传入每个 sequence 依次的累积长度以区分不同 sequence每个 sequence 单独计算其注意力结果。其产品支持情况如下表所示产品是否支持Ascend 950PR / Ascend 950DT支持Atlas A3 训练系列产品 / Atlas A3 推理系列产品支持Atlas A2 训练系列产品 / Atlas A2 推理系列产品支持Atlas 200I/500 A2 推理产品不支持Atlas 推理系列产品310P不支持Atlas 训练系列产品910不支持说明仓库根目录 README.md 指出 ops-transformer 定位为 CANN 提供的 transformer 类大模型算子库FlashAttentionScore 系列算子README.md即其注意力计算的核心成员本文接口即隶属于该算子族。二、功能说明与计算公式该接口在训练场景下使用 FlashAttention 算法实现 self-attention 计算其正向计算公式根据pseType的取值分为两种情况pseType 1 时与 aclnnFlashAttentionVarLenScore 的计算公式相同即先 add 再 mul$$ attention_outDropout(Softmax(Mask(scale*(psequery*key^T),atten_mask)),keep_prob)*value $$pseType 其他取值时0、2、3先 mul 再 add$$ attention_outDropout(Softmax(Mask(scale*(query*key^T) pse),atten_mask),keep_prob)*value $$从仓库源码结构看op_api 层的 flash_attention_score.cpp 将pse_type作为算子属性透传给底层OP_ATTR(...sparseMode, pseType, ...)而算子原型定义 flash_attention_score_def.cpp 中Attr(pse_type).AttrType(OPTIONAL).Int(1)表明其默认值为 1先 add 再 mul这与 README 中“pseType1 时需要先 add 再 mulpseType≠1 时需要先 mul 再 add”的描述一致。三、两段式接口与函数原型与其他 aclnn 单算子 API 一致该算子采用两段式接口调用方式必须先调用第一段接口aclnnFlashAttentionVarLenScoreV2GetWorkspaceSize获取计算所需 workspace 大小以及包含了算子计算流程的执行器executor再调用第二段接口aclnnFlashAttentionVarLenScoreV2执行计算。两段接口的函数原型如下aclnnStatus aclnnFlashAttentionVarLenScoreV2GetWorkspaceSize( const aclTensor *query, const aclTensor *key, const aclTensor *value, const aclTensor *realShiftOptional, const aclTensor *dropMaskOptional, const aclTensor *paddingMaskOptional, const aclTensor *attenMaskOptional, const aclIntArray *prefixOptional, const aclIntArray *actualSeqQLenOptional, const aclIntArray *actualSeqKvLenOptional, const aclIntArray *qStartIdxOptional, const aclIntArray *kvStartIdxOptional, double scaleValue, double keepProb, int64_t preTokens, int64_t nextTokens, int64_t headNum, char *inputLayout, int64_t innerPrecise, int64_t sparseMode, int64_t pseType, const aclTensor *softmaxMaxOut, const aclTensor *softmaxSumOut, const aclTensor *softmaxOutOut, const aclTensor *attentionOutOut, uint64_t *workspaceSize, aclOpExecutor **executor)aclnnStatus aclnnFlashAttentionVarLenScoreV2( void *workspace, uint64_t workspaceSize, aclOpExecutor *executor, const aclrtStream stream)第一段接口完成入参校验、shape 推断与 workspace 大小计算第二段接口在指定的 stream 上真正下发计算任务。需要注意的是第二段接口不能重复调用。四、第一段接口参数详解aclnnFlashAttentionVarLenScoreV2GetWorkspaceSize的参数可分为输入 Tensor、可选输入 Tensor、标量属性与输出四类完整参数说明如下参数名输入/输出描述使用说明数据类型数据格式维度(shape)非连续Tensorquery输入公式中的 query数据类型与 key/value 一致FLOAT16、BFLOAT16、FLOAT32ND[TND]√key输入公式中的 key数据类型与 query/value 一致FLOAT16、BFLOAT16、FLOAT32ND[TND]√value输入公式中的 value数据类型与 query/key 一致FLOAT16、BFLOAT16、FLOAT32ND[TND]√realShiftOptional可选输入公式中的 pse数据类型与 query 一致需与 pseType 配套使用FLOAT16、BFLOAT16、FLOAT32ND[B,N,1024,Skv]、[1,N,1024,Skv]、[pseTotalLen]、[B,N]、[N]√dropMaskOptional可选输入公式中的 Dropout-UINT8ND0、1√paddingMaskOptional可选输入预留参数暂未使用-----attenMaskOptional可选输入公式中的 atten_mask取值为 1 代表该位不参与计算为 0 代表该位参与计算BOOL、UINT8ND[B,N,Sq,Skv]、[B,1,Sq,Skv]、[1,1,Sq,Skv]、[Sq,Skv]√prefixOptional可选输入代表 prefix 稀疏计算场景每个 Batch 的 N 值-INT64ND0、1-actualSeqQLenOptional可选输入描述每个 Batch 对应的 query 的 sequence length-INT64ND0、1-actualSeqKvLenOptional可选输入描述每个 Batch 对应的 key/value 的 sequence length-INT64ND0、1-qStartIdxOptional可选输入代表外切场景当前分块的 query 的 sequence 在全局中的起始索引-INT64ND0、1-kvStartIdxOptional可选输入代表外切场景当前分块的 key 和 value 的 sequence 在全局中的起始索引-INT64ND0、1-scaleValue可选输入公式中的 scale代表缩放系数-DOUBLE---keepProb可选输入代表 dropMaskOptional 中 1 的比例-DOUBLE---preTokens可选输入用于稀疏计算表示 sliding window 的左边界-INT64---nextTokens可选输入用于稀疏计算表示 sliding window 的右边界-INT64---headNum输入代表单卡的 head 个数即输入 query 的 N 轴长度-INT64---inputLayout输入代表输入 query、key、value 的数据排布格式支持 TNDString---innerPrecise可选输入用于提升精度默认配置为 0 即可INT64---sparseMode可选输入表示 sparse 的模式支持配置值为 0、1、2、3、4、6、7、8INT64---pseType可选输入控制 mul 与 add 计算顺序支持配置值为 0、1、2、3INT64---softmaxMaxOut输出Softmax 计算的 Max 中间结果用于反向计算-FLOATND[N,T,8]√softmaxSumOut输出Softmax 计算的 Sum 中间结果用于反向计算-FLOATND[N,T,8]√softmaxOutOut输出预留参数暂未使用-----attentionOutOut输出计算公式的最终输出数据类型和 shape 类型与 query 保持一致FLOAT16、BFLOAT16、FLOAT32ND[TND]√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-----从仓库源码看infershape 实现 flash_attention_score_infershape.cpp 对 TND 场景做了专门校验TND 排布下要求headNum必须等于 query 的 N 轴长度For TND layout, headNum must equal the N dim of query并校验 query 与 key 的 D 轴相等、key 的 D 轴不小于 value 的 D 轴qD kD kD vD这些校验与文档“约束说明”中的 B/D/inputLayout 约束相互印证。五、返回值与错误码两个接口均返回aclnnStatus状态码具体定义参见 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_NULLPTR161001传入参数是必选输入、输出或者必选属性且是空指针ACLNN_ERR_PARAM_INVALID161002query、key、value、realShiftOptional、dropMaskOptional、paddingMaskOptional、attenMaskOptional、softmaxMaxOut、softmaxSumOut、softmaxOutOut、attentionOutOut 的数据类型不在支持的范围内ACLNN_ERR_PARAM_INVALID161002query、key、value、realShiftOptional、dropMaskOptional、paddingMaskOptional、attenMaskOptional、softmaxMaxOut、softmaxSumOut、softmaxOutOut、attentionOutOut 的数据格式不在支持的范围内六、第二段接口参数说明aclnnFlashAttentionVarLenScoreV2的参数较少执行时仅需传入第一段接口产出的三要素与目标 stream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七、约束说明7.1 通用约束确定性计算aclnnFlashAttentionVarLenScoreV2为默认确定性实现相关背景可参考 确定性计算。该接口与 PyTorch 配合使用时需要保证 CANN 相关包与 PyTorch 相关包的版本匹配。输入 query、key、value 的约束Bbatchsize 必须相等DHead-Dim 必须满足qD kD kD vDinputLayout 必须一致。shape 取值范围T11MN1256D1768。7.2 TND 数据排布query、key、value 数据排布格式仅支持 TND。T 是 B 和 S 合轴紧密排列的数据每个 batch 的 SeqLenQ 和 SeqLenKV其中 BBatch表示输入样本批量大小、SSeq-Length表示输入样本序列长度、HHead-Size表示隐藏层的大小、NHead-Num表示多头数、DHead-Dim表示隐藏层最小的单元尺寸且满足 D H / N。7.3 realShiftOptionalpse与 pseTypealibi 位置编码压缩内存优化如果 Sq 大于 1024且每个 batch 的 Sq 与 Skv 等长且是 sparseMode 为 0、2、3 的下三角掩码场景可开启 alibi 位置编码压缩此时只需输入原始 PSE 最后 1024 行即alibi_compress ori_pse[:, :, -1024:, :]具体规则如下参数每个 batch 不相同时shape 为BNHSkv(H1024)每个 batch 相同时shape 为1NHSkv(H1024)TND 场景下每个 batch 段内部仍按[N, Sq_i, Skv_i]生成但存储与传参时统一 flatten。若第 i 个 batch 段的真实 query 长度为 Sq_i、真实 key/value 长度为 Skv_i则该段 PSE 元素个数为N * Sq_i * Skv_i整段 PSE 总长度pseTotalLen为sum_i(N * Sq_i * Skv_i)如果 pseType 为 2 或 3 时数据类型需为 FLOAT32对应 shape 支持范围是[B,N]或[N]如果不开启该参数realShiftOptional 需要传入 nullptrpseType 需要传入 1。pseType 各取值含义pseType含义备注0外部传入 pse 先 mul 再 add-1外部传入 pse 先 add 再 mul跟 aclnnFlashAttentionUnpaddingScoreGrad 实现一致2内部生成 pse 先 mul 再 add-3内部生成 pse 先 mul 再 add 再 sqrt-pseType 为 2 或 3 时当前只支持 Sq 和 Skv 等长。从源码看infershape 中的 flash_attention_score_infershape.cpp 对 pseType 2/3 场景做了强校验内部生成 alibi pse 时realShiftOptional不允许为空指针且其数据类型必须是 FLOAT否则返回参数校验错误tiling 实现 flash_attention_score_tiling_varlen.cpp 中也可看到 pse alibi 场景对 sparse_type 的限制必须为 CAUSAL 或 RIGHT_DOWN_CAUSAL。7.4 innerPrecise当前 0、1 为保留配置值2 为开启无效行计算其功能是避免在计算过程中存在整行 mask 进而导致精度有损失但该配置会导致性能下降。如果算子可判断出存在无效行场景会自动开启无效行计算例如 sparseMode 为 3、Sq Skv 场景。7.5 sparseMode 约束当所有的 attenMaskOptional 的 shape 小于 2048 且相同的时候建议使用 default 模式0以减少内存使用量配置为 1、2、3 时用户配置的 preTokens、nextTokens 不会生效配置为 0、4 时须保证 attenMaskOptional 与 preTokens、nextTokens 的范围一致用户不特意指定时建议传入 0sparse 不同模式的详细说明请参见 sparseMode 介绍其中 varlen 场景仅支持 0/1/2/3/4/6/7/8非压缩 prefix 模式 5 与 treeMask 模式 9 不属于本接口支持范围配置为 3 时不支持无效行计算需要满足每个 batch 的 Sq Skv配置为 7 时不支持可选输入 realShiftOptional配置为 8 时当每个 sequence 的 q、kv 等长时支持可选输入 realShiftOptional针对全局做 pse 生成支持 q 方向进行外切需要外切前每个 sequence 的 q、kv 等长外切后传入的actualSeqQLenOptional[0] - actualSeqKvLenOptional[0] qStartIdxOptional - kvStartIdxOptional 0本功能属实验性功能。tiling 侧 flash_attention_score_tiling_varlen.cpp 中也存在对 sparseMode 与 preTokens/nextTokens 匹配性的校验preTokens and nextTokens not match sparseMode与文档约束一致。7.6 其他约束部分场景下如果计算量过大可能会导致算子执行超时aicore error 类型报错errorStr 为timeout or trap error此时建议做轴切分处理。这里的计算量受 B、S、N、D 等参数影响值越大计算量越大。band 场景preTokens 和 nextTokens 之间必须要有交集。prefixOptional 稀疏计算场景即 sparseMode6当 Sq Skv 时prefix 的 N 值取值范围[0, Skv]当 Sq Skv 时prefix 的 N 值取值范围[Skv-Sq, Skv]。actualSeqQLenOptional 输入支持某个 Batch 上的 S 长度为 0此时不支持可选输入 realShiftOptionalactualSeqQLenOptional 的长度取值范围为 12K当存在 prefixOptional 输入时其长度最大支持 1K。例如真实的 S 长度为[2,2,0,2,2]则传入的 actualSeqQLenOptional 为[2,4,4,6,8]累积长度语义0 长度 batch 使用与前一项相同的累积值。attenMaskOptional 输入不支持补 pad即 attenMaskOptional 中不能存在某一行全 1 的场景。八、完整调用示例以下调用示例代码来自仓库文档仅供参考具体编译和执行过程请参考 编译与运行样例。仓库 examples/test_aclnn_flash_attention_score.cpp 亦提供了可参考的样例工程。#include iostream #include vector #include acl/acl.h #include aclnnop/aclnn_flash_attention_score.h #define CHECK_RET(cond, return_expr) \ do { \ if (!(cond)) { \ return_expr; \ } \ } while (0) #define LOG_PRINT(message, ...) \ do { \ printf(message, ##__VA_ARGS__); \ } while (0) int64_t GetShapeSize(const std::vectorint64_t shape) { int64_t shapeSize 1; for (auto i : shape) { shapeSize * i; } return shapeSize; } void PrintOutResult(std::vectorint64_t shape, void** deviceAddr) { auto size GetShapeSize(shape); std::vectorfloat resultData(size, 0); auto ret aclrtMemcpy(resultData.data(), resultData.size() * sizeof(resultData[0]), *deviceAddr, size * sizeof(resultData[0]), ACL_MEMCPY_DEVICE_TO_HOST); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(copy result from device to host failed. ERROR: %d\n, ret); return); for (int64_t i 0; i size; i) { LOG_PRINT(mean result[%ld] is: %f\n, i, resultData[i]); } } int Init(int32_t deviceId, aclrtStream* stream) { // 固定写法资源初始化 auto ret aclInit(nullptr); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclInit failed. ERROR: %d\n, ret); return ret); ret aclrtSetDevice(deviceId); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclrtSetDevice failed. ERROR: %d\n, ret); return ret); ret aclrtCreateStream(stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclrtCreateStream failed. ERROR: %d\n, ret); return ret); return 0; } template typename T int CreateAclTensor(const std::vectorT hostData, const std::vectorint64_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::vectorint64_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 main() { // 1.固定写法device/stream初始化参考acl API手册 // 根据自己的实际device填写deviceId int32_t deviceId 0; aclrtStream stream; auto ret Init(deviceId, stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(Init acl failed. ERROR: %d\n, ret); return ret); // 2. 构造输入与输出需要根据API的接口自定义构造 std::vectorint64_t qShape {256, 1, 128}; std::vectorint64_t kShape {256, 1, 128}; std::vectorint64_t vShape {256, 1, 128}; std::vectorint64_t attenmaskShape {256, 256}; std::vectorint64_t attentionOutShape {256, 1, 128}; std::vectorint64_t softmaxMaxShape {256, 1, 8}; std::vectorint64_t softmaxSumShape {256, 1, 8}; void* qDeviceAddr nullptr; void* kDeviceAddr nullptr; void* vDeviceAddr nullptr; void* attenmaskDeviceAddr nullptr; void* attentionOutDeviceAddr nullptr; void* softmaxMaxDeviceAddr nullptr; void* softmaxSumDeviceAddr nullptr; aclTensor* q nullptr; aclTensor* k nullptr; aclTensor* v nullptr; aclTensor* pse nullptr; aclTensor* dropMask nullptr; aclTensor* padding nullptr; aclTensor* attenmask nullptr; aclTensor* attentionOut nullptr; aclTensor* softmaxMax nullptr; aclTensor* softmaxSum nullptr; aclTensor* softmaxOut nullptr; std::vectorfloat qHostData(32768, 1); std::vectorfloat kHostData(32768, 1); std::vectorfloat vHostData(32768, 1); std::vectoruint8_t attenmaskHostData(65536, 0); std::vectorfloat attentionOutHostData(32768, 0); std::vectorfloat softmaxMaxHostData(2048, 3.0); std::vectorfloat softmaxSumHostData(2048, 3.0); ret CreateAclTensor(qHostData, qShape, qDeviceAddr, aclDataType::ACL_FLOAT, q); CHECK_RET(ret ACL_SUCCESS, return ret); ret CreateAclTensor(kHostData, kShape, kDeviceAddr, aclDataType::ACL_FLOAT, k); CHECK_RET(ret ACL_SUCCESS, return ret); ret CreateAclTensor(vHostData, vShape, vDeviceAddr, aclDataType::ACL_FLOAT, v); CHECK_RET(ret ACL_SUCCESS, return ret); ret CreateAclTensor(attenmaskHostData, attenmaskShape, attenmaskDeviceAddr, aclDataType::ACL_UINT8, attenmask); CHECK_RET(ret ACL_SUCCESS, return ret); ret CreateAclTensor(attentionOutHostData, attentionOutShape, attentionOutDeviceAddr, aclDataType::ACL_FLOAT, attentionOut); CHECK_RET(ret ACL_SUCCESS, return ret); ret CreateAclTensor(softmaxMaxHostData, softmaxMaxShape, softmaxMaxDeviceAddr, aclDataType::ACL_FLOAT, softmaxMax); CHECK_RET(ret ACL_SUCCESS, return ret); ret CreateAclTensor(softmaxSumHostData, softmaxSumShape, softmaxSumDeviceAddr, aclDataType::ACL_FLOAT, softmaxSum); CHECK_RET(ret ACL_SUCCESS, return ret); std::vectorint64_t prefixOp {0}; aclIntArray *prefix aclCreateIntArray(prefixOp.data(), 1); std::vectorint64_t qStartIdxOp {0}; std::vectorint64_t kvStartIdxOp {0}; aclIntArray *qStartIdx aclCreateIntArray(qStartIdxOp.data(), 1); aclIntArray *kvStartIdx aclCreateIntArray(kvStartIdxOp.data(), 1); std::vectorint64_t acSeqQLenOp {256}; std::vectorint64_t acSeqKvLenOp {256}; aclIntArray* acSeqQLen aclCreateIntArray(acSeqQLenOp.data(), acSeqQLenOp.size()); aclIntArray* acSeqKvLen aclCreateIntArray(acSeqKvLenOp.data(), acSeqKvLenOp.size()); double scaleValue 0.088388; double keepProb 1; int64_t preTokens 65536; int64_t nextTokens 65536; int64_t headNum 1; int64_t innerPrecise 0; int64_t sparseMode 0; int64_t pseType 1; char layOut[5] {T, N, D, 0}; // 3. 调用CANN算子库API需要修改为具体的Api名称 uint64_t workspaceSize 0; aclOpExecutor* executor; // 调用aclnnFlashAttentionVarLenScoreV2第一段接口 ret aclnnFlashAttentionVarLenScoreV2GetWorkspaceSize( q, k, v, pse, dropMask, padding, attenmask, prefix, acSeqQLen, acSeqKvLen, qStartIdx, kvStartIdx, scaleValue, keepProb, preTokens, nextTokens, headNum, layOut, innerPrecise, sparseMode, pseType, softmaxMax, softmaxSum, softmaxOut, attentionOut, workspaceSize, executor); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclnnFlashAttentionVarLenScoreV2GetWorkspaceSize failed. ERROR: %d\n, ret); return ret); // 根据第一段接口计算出的workspaceSize申请device内存 void* workspaceAddr nullptr; 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aclnnFlashAttentionVarLenScoreV2第二段接口 ret aclnnFlashAttentionVarLenScoreV2(workspaceAddr, workspaceSize, executor, stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclnnFlashAttentionVarLenScoreV2 failed. ERROR: %d\n, ret); return ret); // 4.固定写法同步等待任务执行结束 ret aclrtSynchronizeStream(stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclrtSynchronizeStream failed. ERROR: %d\n, ret); return ret); // 5. 获取输出的值将device侧内存上的结果拷贝至host侧需要根据具体API的接口定义修改 PrintOutResult(attentionOutShape, attentionOutDeviceAddr); PrintOutResult(softmaxMaxShape, softmaxMaxDeviceAddr); PrintOutResult(softmaxSumShape, softmaxSumDeviceAddr); // 6. 释放aclTensor和aclScalar需要根据具体API的接口定义修改 aclDestroyTensor(q); aclDestroyTensor(k); aclDestroyTensor(v); aclDestroyTensor(attenmask); aclDestroyTensor(attentionOut); aclDestroyTensor(softmaxMax); aclDestroyTensor(softmaxSum); // 7. 释放device资源 aclrtFree(qDeviceAddr); aclrtFree(kDeviceAddr); aclrtFree(vDeviceAddr); aclrtFree(attenmaskDeviceAddr); aclrtFree(attentionOutDeviceAddr); aclrtFree(softmaxMaxDeviceAddr); aclrtFree(softmaxSumDeviceAddr); if (workspaceSize 0) { aclrtFree(workspaceAddr); } aclrtDestroyStream(stream); aclrtResetDevice(deviceId); aclFinalize(); return 0; }示例中要点说明构造 Tensor 时需自行通过aclrtMalloc/aclrtMemcpy完成 Device 侧内存申请与数据搬运并用aclCreateTensor按 ND 格式创建 aclTensoractualSeqQLenOptional/actualSeqKvLenOptional传入的是累积长度cumulative示例中单 batch 场景为{256}scaleValue 0.088388即常见的1/sqrt(D)D128 时1/√128≈0.088388缩放系数preTokens/nextTokens 65536配合sparseMode 0表示不做窗口限制取较大值覆盖全序列未使用 pse 时pse传nullptr对应pseType 1不开 alibi 压缩时的标准配置。九、源码实现佐证9.1 接口声明与 op_api 层接口声明位于 aclnn_flash_attention_score.h其中aclnnFlashAttentionVarLenScoreV2GetWorkspaceSize与aclnnFlashAttentionVarLenScoreV2的形参顺序与文档原型完全一致并在注释中标明domain aclnn_ops_train即训练域算子。在 flash_attention_score.cpp 的 L0 实现中prefixOptional、actualSeqQLenOptional、actualSeqKvLenOptional、qStartIdxOptional、kvStartIdxOptional等aclIntArray可选入参会被转换为 INT64 的 ND Tensor 并统一置为 ND 格式后进入INFER_SHAPE与ADD_TO_LAUNCHER_LIST_AICORE流程softmaxMaxOut/softmaxSumOut固定按 FLOAT 类型分配attentionOutOut默认与 query 同 dtype 分配。这一实现细节解释了为什么文档中 softmax 中间输出仅支持 FLOAT 类型。9.2 算子原型定义flash_attention_score_def.cpp 定义了 FlashAttentionScore 算子原型与本文接口直接相关的属性默认值如下scale_value可选默认 1.0keep_prob可选默认 1.0pre_tockens/next_tockens可选默认 2147483647int64 最大值等价于不限窗口inner_precise可选默认 0sparse_mode可选默认 0defaultMask 模式pse_type可选默认 1外部 pse 先 add 再 mul。该文件还声明了ascend910b/ascend910_93Atlas A2 训练系列与ascend950Ascend 950 系列的 AICore 配置与文档“产品支持情况”中的硬件范围一致。9.3 Host 侧 infershape 与 tilingflash_attention_score_infershape.cpp 中AnalysisAxisForTnd按(T, N, D)解析 TND 排布并校验headNum query 的 N 轴校验 query/key/value 三者的数据类型必须一致pseType 为 2/3内部 alibi时 realShift 必须为非空 FLOAT Tensor对actualSeqQLen/actualSeqKvLen的长度设置了告警上限20000 以内对应文档中“长度取值范围 12K”的约束语义。tiling 侧 flash_attention_score_tiling_varlen.cpp 负责可变长场景下的切分与稀疏模式映射SparseMode枚举映射并针对内部 pse alibi 场景限制了 sparseType 必须为 causal 类模式从底层印证了文档 7.3、7.5 节的约束条款。9.4 测试与样例资源仓库为 FlashAttentionScore 算子族提供了系统性的验证资源可帮助读者进一步理解该接口的正确用法样例工程examples/test_aclnn_flash_attention_score.cppCPU/GPU 参考实现tests/pytest/cpu_impl.py、tests/pytest/npu_impl.py单测用例tests/ut/op_api/test_aclnn_flash_attention_score.cpp 与 host 侧 infershape/inferdatatype 用例tests/ut/op_host。十、与其他 VarLen 版本接口的关系在 docs 目录下本接口还对应一系列演进版本实际选型时可结合需求参考接口相对 V2 的差异从接口签名与文档看aclnnFlashAttentionVarLenScoreV1无 qStartIdx/kvStartIdx不支持外切、无 pseType 属性pse 固定先 add 再 mulaclnnFlashAttentionVarLenScoreV2本文主题新增 qStartIdx/kvStartIdx 外切支持与 pseType 属性0/1/2/3aclnnFlashAttentionVarLenScoreV3新增 queryRope/keyRope 输入支持旋转位置编码在算子内完成aclnnFlashAttentionVarLenScoreV4新增 softmaxOutLayout 参数aclnnFlashAttentionVarLenScoreV5在 V3 基础上叠加 sink 输入与 softmaxOutLayout并新增 GetMaxWorkspaceSize 变体十一、常见问题与调优建议可变长 sequence 如何组织输入TND 排布要求 query/key/value 的第 0 维为所有 sequence 长度总和 T各 batch 段按顺序紧密排列actualSeqQLenOptional/actualSeqKvLenOptional传入的是累积长度而非逐段长度如两段各 2 与 3应传[2,5]0 长度 batch 的累积值沿用前一项。是否需要传 attenMask当 attenMaskOptional 为 None 时sparseMode、preTokens、nextTokens 参数不生效固定为全计算若需要 causal 等掩码须按 sparseMode 对应模式传入正确 shape 的掩码矩阵且不支持补 pad不能出现某一行全 1。pse 与 pseType 如何搭配不使用位置编码时 pse 传 nullptr 且 pseType1需要 alibi 且 Sq1024 时可开启压缩只传最后 1024 行pseType2/3 为内部生成 pse要求 SqSkv 且 pse 数据类型为 FLOAT32。精度与性能取舍innerPrecise2开启无效行计算可避免整行 mask 导致的精度损失但会带来性能下降默认 0 即可。执行超时处理B、S、N、D 过大会导致 aicore errortimeout or trap error应做轴切分例如对 S 或 N 进行切块后多次调用。与 PyTorch 混用需保证 CANN 相关包与 PyTorch 相关包版本匹配避免底层接口签名不一致导致的异常。通过本文对接口原型、参数语义、约束体系、示例代码与源码链路的系统梳理读者应能独立完成aclnnFlashAttentionVarLenScoreV2的接入与调参并基于仓库中的 设计介绍 进一步深入 FlashAttention 在 NPU 上的分块tiling与稀疏计算原理。【免费下载链接】ops-transformer本项目是CANN提供的transformer类大模型算子库实现网络在NPU上加速计算。项目地址: https://gitcode.com/cann/ops-transformer创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考