/* * Copyright (c) 2020-2023, NVIDIA CORPORATION. All rights reserved. * * Licensed under the Apache License, Version 2.0 (the "License"); * you may not use this file except in compliance with the License. * You may obtain a copy of the License at * * http://www.apache.org/licenses/LICENSE-2.0 * * Unless required by applicable law or agreed to in writing, software * distributed under the License is distributed on an "AS IS" BASIS, * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. * See the License for the specific language governing permissions and * limitations under the License. */ #pragma once #include "src/turbomind/utils/cuda_bf16_wrapper.h" #include "src/turbomind/utils/cuda_fp8_utils.h" #include "src/turbomind/utils/cuda_type_utils.cuh" #include using namespace turbomind; namespace mmha { //////////////////////////////////////////////////////////////////////////////////////////////////// struct Float8_ { float2 x; float2 y; float2 z; float2 w; }; //////////////////////////////////////////////////////////////////////////////////////////////////// struct Float4_ { float2 x; float2 y; }; //////////////////////////////////////////////////////////////////////////////////////////////////// #ifdef ENABLE_BF16 struct bf16_4_t { __nv_bfloat162 x; __nv_bfloat162 y; }; //////////////////////////////////////////////////////////////////////////////////////////////////// struct bf16_8_t { __nv_bfloat162 x; __nv_bfloat162 y; __nv_bfloat162 z; __nv_bfloat162 w; }; #endif //////////////////////////////////////////////////////////////////////////////////////////////////// template struct num_elems; template<> struct num_elems { static constexpr int value = 1; }; template<> struct num_elems { static constexpr int value = 2; }; template<> struct num_elems { static constexpr int value = 4; }; template<> struct num_elems { static constexpr int value = 4; }; template<> struct num_elems { static constexpr int value = 8; }; template<> struct num_elems { static constexpr int value = 2; }; template<> struct num_elems { static constexpr int value = 4; }; template<> struct num_elems { static constexpr int value = 8; }; #ifdef ENABLE_BF16 template<> struct num_elems<__nv_bfloat162> { static constexpr int value = 2; }; template<> struct num_elems { static constexpr int value = 4; }; template<> struct num_elems { static constexpr int value = 8; }; #endif //////////////////////////////////////////////////////////////////////////////////////////////////// template struct packed_type; template struct packed_type { using type = T; }; template<> struct packed_type { using type = int16_t; }; template<> struct packed_type { using type = int32_t; }; template<> struct packed_type { using type = int64_t; }; template<> struct packed_type { using type = float2; }; template<> struct packed_type { using type = float4; }; template<> struct packed_type { using type = Float8_; }; //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float add(float a, float b) { return a + b; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float2 add(float2 a, float2 b) { float2 c; c.x = add(a.x, b.x); c.y = add(a.y, b.y); return c; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float4 add(float4 a, float4 b) { float4 c; c.x = add(a.x, b.x); c.y = add(a.y, b.y); c.z = add(a.z, b.z); c.w = add(a.w, b.w); return c; } //////////////////////////////////////////////////////////////////////////////////////////////////// #ifdef ENABLE_BF16 inline __device__ __nv_bfloat16 add(__nv_bfloat16 a, __nv_bfloat16 b) { return a + b; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ __nv_bfloat162 add(__nv_bfloat162 a, __nv_bfloat162 b) { return bf16hadd2(a, b); } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ bf16_4_t add(bf16_4_t a, bf16_4_t b) { bf16_4_t c; c.x = add(a.x, b.x); c.y = add(a.y, b.y); return c; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ bf16_8_t add(bf16_8_t a, bf16_8_t b) { bf16_8_t c; c.x = add(a.x, b.x); c.y = add(a.y, b.y); c.z = add(a.z, b.z); c.w = add(a.w, b.w); return c; } #endif // ENABLE_BF16 //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ uint16_t add(uint16_t a, uint16_t b) { uint16_t c; // asm volatile("add.f16 %0, %1, %2;\n" : "=h"(c) : "h"(a), "h"(b)); asm volatile("v_add_f16 %0, %1, %2;" : "=v"(c) : "v"(a), "v"(b)); return c; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ uint32_t add(uint32_t a, uint32_t b) { uint32_t c; // asm volatile("add.f16x2 %0, %1, %2;\n" : "=r"(c) : "r"(a), "r"(b)); const __half *ha = reinterpret_cast(&a); const __half *hb = reinterpret_cast(&b); __half2 h2c = make_half2(ha[0]+hb[0], ha[1]+hb[1]); __builtin_memcpy(&c, &h2c, sizeof(h2c)); return c; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ uint2 add(uint2 a, uint2 b) { uint2 c; c.x = add(a.x, b.x); c.y = add(a.y, b.y); return c; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ uint4 add(uint4 a, uint4 b) { uint4 c; c.x = add(a.x, b.x); c.y = add(a.y, b.y); c.z = add(a.z, b.z); c.w = add(a.w, b.w); return c; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ uint16_t float_to_half(float f) { union { uint32_t u32; uint16_t u16[2]; } tmp; #if 0 && defined(__CUDA_ARCH__) && __CUDA_ARCH__ >= 800 // Is it better? float zero = 0.f; // asm volatile("cvt.rn.f16x2.f32 %0, %1, %2;\n" : "=r"(tmp.u32) : "f"(zero), "f"(f)); __half h=__float2half(f); tmp.u16[0] = reinterpret_cast(h); #else // asm volatile("cvt.rn.f16.f32 %0, %1;\n" : "=h"(tmp.u16[0]) : "f"(f)); __half h=__float2half(f); tmp.u16[0] = reinterpret_cast(h); #endif return tmp.u16[0]; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ uint32_t float2_to_half2(float2 f) { union { uint32_t u32; uint16_t u16[2]; } tmp; #if defined(__CUDA_ARCH__) && __CUDA_ARCH__ >= 800 // asm volatile("cvt.rn.f16x2.f32 %0, %1, %2;\n" : "=r"(tmp.u32) : "f"(f.y), "f"(f.x)); __half h1 = __float2half(f.x); __half h2 = __float2half(f.y); tmp.u16[0] = reinterpret_cast(h1); tmp.u16[1] = reinterpret_cast(h2); #else // asm volatile("cvt.rn.f16.f32 %0, %1;\n" : "=h"(tmp.u16[0]) : "f"(f.x)); // asm volatile("cvt.rn.f16.f32 %0, %1;\n" : "=h"(tmp.u16[1]) : "f"(f.y)); __half h1 = __float2half(f.x); __half h2 = __float2half(f.y); tmp.u16[0] = reinterpret_cast(h1); tmp.u16[1] = reinterpret_cast(h2); #endif return tmp.u32; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float half_to_float(uint16_t h) { float f; // asm volatile("cvt.f32.f16 %0, %1;\n" : "=f"(f) : "h"(h)); f = __half2float(reinterpret_cast(h)); return f; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float2 half2_to_float2(uint32_t v) { uint16_t lo, hi; // asm volatile("mov.b32 {%0, %1}, %2;\n" : "=h"(lo), "=h"(hi) : "r"(v)); lo = v & 0xffff; hi = (v >> 16) & 0xffff; return make_float2(half_to_float(lo), half_to_float(hi)); } //////////////////////////////////////////////////////////////////////////////////////////////////// #ifdef ENABLE_BF16 inline __device__ float bfloat16_to_float(__nv_bfloat16 h) { return __bfloat162float(h); // float f; // asm volatile("cvt.f32.bf16 %0, %1;\n" : "=f"(f) : "h"(h)); // return f; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float2 bfloat162_to_float2(__nv_bfloat162 v) { return cuda_cast(v); // __nv_bfloat16 lo, hi; // asm volatile("mov.b32 {%0, %1}, %2;\n" : "=h"(lo), "=h"(hi) : "r"(v)); // return make_float2(bfloat16_to_float(lo), bfloat16_to_float(hi)); } #endif //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float add(float a, uint16_t b) { return a + half_to_float(b); } //////////////////////////////////////////////////////////////////////////////////////////////////// #ifdef ENABLE_BF16 inline __device__ float add(float a, __nv_bfloat16 b) { return a + __bfloat162float(b); } #endif //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float2 add(uint32_t a, float2 fb) { float2 fa = half2_to_float2(a); return add(fa, fb); } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ Float4_ add(uint2 a, Float4_ fb) { Float4_ fc; fc.x = add(a.x, fb.x); fc.y = add(a.y, fb.y); return fc; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ Float8_ add(uint4 a, Float8_ fb) { Float8_ fc; fc.x = add(a.x, fb.x); fc.y = add(a.y, fb.y); fc.z = add(a.z, fb.z); fc.w = add(a.w, fb.w); return fc; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ uint32_t h0_h0(uint16_t a) { uint32_t b; // asm volatile("mov.b32 %0, {%1, %1};" : "=r"(b) : "h"(a)); uint16_t tmp[2]; tmp[0] = a; tmp[1] = a; __builtin_memcpy(&b, tmp, sizeof(uint16_t) * 2); return b; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float fma(float a, float b, float c) { return a * b + c; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float2 fma(float2 a, float2 b, float2 c) { float2 d; d.x = fma(a.x, b.x, c.x); d.y = fma(a.y, b.y, c.y); return d; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float2 fma(float a, float2 b, float2 c) { float2 d; d.x = fma(a, b.x, c.x); d.y = fma(a, b.y, c.y); return d; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float4 fma(float4 a, float4 b, float4 c) { float4 d; d.x = fma(a.x, b.x, c.x); d.y = fma(a.y, b.y, c.y); d.z = fma(a.z, b.z, c.z); d.w = fma(a.w, b.w, c.w); return d; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float4 fma(float a, float4 b, float4 c) { float4 d; d.x = fma(a, b.x, c.x); d.y = fma(a, b.y, c.y); d.z = fma(a, b.z, c.z); d.w = fma(a, b.w, c.w); return d; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float4 fma(float a, float4 b, Float4_ c) { float4 d; d.x = fma(a, b.x, c.x.x); d.y = fma(a, b.y, c.x.y); d.z = fma(a, b.z, c.y.x); d.w = fma(a, b.w, c.y.y); return d; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ Float4_ fma(float a, Float4_ b, Float4_ c) { Float4_ d; d.x = fma(a, b.x, c.x); d.y = fma(a, b.y, c.y); return d; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ Float8_ fma(float a, Float8_ b, Float8_ c) { Float8_ d; d.x = fma(a, b.x, c.x); d.y = fma(a, b.y, c.y); d.z = fma(a, b.z, c.z); d.w = fma(a, b.w, c.w); return d; } //////////////////////////////////////////////////////////////////////////////////////////////////// #ifdef ENABLE_BF16 inline __device__ float2 add(__nv_bfloat162 a, float2 fb) { float2 fa = bf1622float2(a); return add(fa, fb); } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ Float4_ add(bf16_4_t a, Float4_ fb) { Float4_ fc; fc.x = add(a.x, fb.x); fc.y = add(a.y, fb.y); return fc; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ Float8_ add(bf16_8_t a, Float8_ fb) { Float8_ fc; fc.x = add(a.x, fb.x); fc.y = add(a.y, fb.y); fc.z = add(a.z, fb.z); fc.w = add(a.w, fb.w); return fc; } #endif // ENABLE_BF16 //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ uint32_t fma(uint32_t a, uint32_t b, uint32_t c) { uint32_t d; // asm volatile("fma.rn.f16x2 %0, %1, %2, %3;\n" : "=r"(d) : "r"(a), "r"(b), "r"(c)); asm volatile("v_pk_fma_f16 %0, %1, %2, %3;\n" : "=v"(d) : "v"(a), "v"(b), "v"(c)); return d; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ uint32_t fma(uint16_t a, uint32_t b, uint32_t c) { return fma(h0_h0(a), b, c); } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ uint2 fma(uint2 a, uint2 b, uint2 c) { uint2 d; d.x = fma(a.x, b.x, c.x); d.y = fma(a.y, b.y, c.y); return d; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ uint2 fma(uint16_t a, uint2 b, uint2 c) { uint32_t s = h0_h0(a); uint2 d; d.x = fma(s, b.x, c.x); d.y = fma(s, b.y, c.y); return d; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ uint4 fma(uint4 a, uint4 b, uint4 c) { uint4 d; d.x = fma(a.x, b.x, c.x); d.y = fma(a.y, b.y, c.y); d.z = fma(a.z, b.z, c.z); d.w = fma(a.w, b.w, c.w); return d; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ uint4 fma(uint16_t a, uint4 b, uint4 c) { uint32_t s = h0_h0(a); uint4 d; d.x = fma(s, b.x, c.x); d.y = fma(s, b.y, c.y); d.z = fma(s, b.z, c.z); d.w = fma(s, b.w, c.w); return d; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float fma(uint16_t a, uint16_t b, float fc) { float fa = half_to_float(a); float fb = half_to_float(b); return fa * fb + fc; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float2 fma(uint32_t a, uint32_t b, float2 fc) { float2 fa = half2_to_float2(a); float2 fb = half2_to_float2(b); return fma(fa, fb, fc); } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float2 fma(uint16_t a, uint32_t b, float2 fc) { return fma(h0_h0(a), b, fc); } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ Float4_ fma(uint2 a, uint2 b, Float4_ fc) { Float4_ fd; fd.x = fma(a.x, b.x, fc.x); fd.y = fma(a.y, b.y, fc.y); return fd; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ Float4_ fma(uint16_t a, uint2 b, Float4_ fc) { uint32_t s = h0_h0(a); Float4_ fd; fd.x = fma(s, b.x, fc.x); fd.y = fma(s, b.y, fc.y); return fd; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ Float8_ fma(uint4 a, uint4 b, Float8_ fc) { Float8_ fd; fd.x = fma(a.x, b.x, fc.x); fd.y = fma(a.y, b.y, fc.y); fd.z = fma(a.z, b.z, fc.z); fd.w = fma(a.w, b.w, fc.w); return fd; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ Float8_ fma(uint16_t a, uint4 b, Float8_ fc) { uint32_t s = h0_h0(a); Float8_ fd; fd.x = fma(s, b.x, fc.x); fd.y = fma(s, b.y, fc.y); fd.z = fma(s, b.z, fc.z); fd.w = fma(s, b.w, fc.w); return fd; } //////////////////////////////////////////////////////////////////////////////////////////////////// #ifdef ENABLE_BF16 inline __device__ __nv_bfloat162 fma(__nv_bfloat162 a, __nv_bfloat162 b, __nv_bfloat162 c) { return bf16hfma2(a, b, c); } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ __nv_bfloat162 fma(__nv_bfloat16 a, __nv_bfloat162 b, __nv_bfloat162 c) { return bf16hfma2(bf162bf162(a), b, c); } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ bf16_4_t fma(bf16_4_t a, bf16_4_t b, bf16_4_t c) { bf16_4_t d; d.x = fma(a.x, b.x, c.x); d.y = fma(a.y, b.y, c.y); return d; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ bf16_4_t fma(__nv_bfloat16 a, bf16_4_t b, bf16_4_t c) { __nv_bfloat162 s = bf162bf162(a); bf16_4_t d; d.x = fma(s, b.x, c.x); d.y = fma(s, b.y, c.y); return d; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ bf16_8_t fma(bf16_8_t a, bf16_8_t b, bf16_8_t c) { bf16_8_t d; d.x = fma(a.x, b.x, c.x); d.y = fma(a.y, b.y, c.y); d.z = fma(a.z, b.z, c.z); d.w = fma(a.w, b.w, c.w); return d; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ bf16_8_t fma(__nv_bfloat16 a, bf16_8_t b, bf16_8_t c) { __nv_bfloat162 s = bf162bf162(a); bf16_8_t d; d.x = fma(s, b.x, c.x); d.y = fma(s, b.y, c.y); d.z = fma(s, b.z, c.z); d.w = fma(s, b.w, c.w); return d; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float fma(__nv_bfloat16 a, __nv_bfloat16 b, float fc) { return __bfloat162float(a) * __bfloat162float(b) + fc; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float2 fma(__nv_bfloat162 a, __nv_bfloat162 b, float2 fc) { float2 fa = bf1622float2(a); float2 fb = bf1622float2(b); return fma(fa, fb, fc); } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float2 fma(__nv_bfloat16 a, __nv_bfloat162 b, float2 fc) { return fma(bf162bf162(a), b, fc); } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ Float4_ fma(bf16_4_t a, bf16_4_t b, Float4_ fc) { Float4_ fd; fd.x = fma(a.x, b.x, fc.x); fd.y = fma(a.y, b.y, fc.y); return fd; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ Float4_ fma(__nv_bfloat16 a, bf16_4_t b, Float4_ fc) { __nv_bfloat162 s = bf162bf162(a); Float4_ fd; fd.x = fma(s, b.x, fc.x); fd.y = fma(s, b.y, fc.y); return fd; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ Float8_ fma(bf16_8_t a, bf16_8_t b, Float8_ fc) { Float8_ fd; fd.x = fma(a.x, b.x, fc.x); fd.y = fma(a.y, b.y, fc.y); fd.z = fma(a.z, b.z, fc.z); fd.w = fma(a.w, b.w, fc.w); return fd; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ Float8_ fma(__nv_bfloat16 a, bf16_8_t b, Float8_ fc) { __nv_bfloat162 s = bf162bf162(a); Float8_ fd; fd.x = fma(s, b.x, fc.x); fd.y = fma(s, b.y, fc.y); fd.z = fma(s, b.z, fc.z); fd.w = fma(s, b.w, fc.w); return fd; } #endif // ENABLE_BF16 //////////////////////////////////////////////////////////////////////////////////////////////////// template inline __device__ Acc mul(A a, B b) { return Acc{}; // for compile } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ float mul(float a, float b) { return a * b; } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ float2 mul(float2 a, float2 b) { float2 c; c.x = a.x * b.x; c.y = a.y * b.y; return c; } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ float2 mul(float a, float2 b) { float2 c; c.x = a * b.x; c.y = a * b.y; return c; } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ float4 mul(float4 a, float4 b) { float4 c; c.x = a.x * b.x; c.y = a.y * b.y; c.z = a.z * b.z; c.w = a.w * b.w; return c; } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ float4 mul(float a, float4 b) { float4 c; c.x = a * b.x; c.y = a * b.y; c.z = a * b.z; c.w = a * b.w; return c; } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ Float8_ mul(float a, Float8_ b) { Float8_ c; c.x = mul(a, b.x); c.y = mul(a, b.y); c.z = mul(a, b.z); c.w = mul(a, b.w); return c; } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ uint16_t mul(uint16_t a, uint16_t b) { uint16_t c; // asm volatile("mul.f16 %0, %1, %2;\n" : "=h"(c) : "h"(a), "h"(b)); asm volatile("v_mul_f16 %0, %1, %2;\n" : "=v"(c) : "v"(a), "v"(b)); return c; } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ uint32_t mul(uint32_t a, uint32_t b) { uint32_t c; // asm volatile("mul.f16x2 %0, %1, %2;\n" : "=r"(c) : "r"(a), "r"(b)); asm volatile("v_pk_mul_f16 %0, %1, %2;\n" : "=v"(c) : "v"(a), "v"(b)); return c; } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ uint32_t mul(uint16_t a, uint32_t b) { return mul(h0_h0(a), b); } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ uint2 mul(uint2 a, uint2 b) { uint2 c; c.x = mul(a.x, b.x); c.y = mul(a.y, b.y); return c; } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ uint2 mul(uint16_t a, uint2 b) { uint32_t s = h0_h0(a); uint2 c; c.x = mul(s, b.x); c.y = mul(s, b.y); return c; } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ uint4 mul(uint4 a, uint4 b) { uint4 c; c.x = mul(a.x, b.x); c.y = mul(a.y, b.y); c.z = mul(a.z, b.z); c.w = mul(a.w, b.w); return c; } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ uint4 mul(uint16_t a, uint4 b) { uint32_t s = h0_h0(a); uint4 c; c.x = mul(s, b.x); c.y = mul(s, b.y); c.z = mul(s, b.z); c.w = mul(s, b.w); return c; } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ float mul(uint16_t a, uint16_t b) { float fa = half_to_float(a); float fb = half_to_float(b); return fa * fb; } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ float mul(uint16_t a, float b) { return half_to_float(a) * b; } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ float2 mul(uint32_t a, uint32_t b) { float2 fa = half2_to_float2(a); float2 fb = half2_to_float2(b); return mul(fa, fb); } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ float2 mul(uint16_t a, uint32_t b) { return mul(h0_h0(a), b); } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ Float4_ mul(uint2 a, uint2 b) { Float4_ fc; fc.x = mul(a.x, b.x); fc.y = mul(a.y, b.y); return fc; } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ Float4_ mul(uint16_t a, uint2 b) { uint32_t s = h0_h0(a); Float4_ fc; fc.x = mul(s, b.x); fc.y = mul(s, b.y); return fc; } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ Float8_ mul(uint4 a, uint4 b) { Float8_ fc; fc.x = mul(a.x, b.x); fc.y = mul(a.y, b.y); fc.z = mul(a.z, b.z); fc.w = mul(a.w, b.w); return fc; } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ Float8_ mul(uint16_t a, uint4 b) { uint32_t s = h0_h0(a); Float8_ fc; fc.x = mul(s, b.x); fc.y = mul(s, b.y); fc.z = mul(s, b.z); fc.w = mul(s, b.w); return fc; } inline __device__ float sum(float v) { return v; } //////////////////////////////////////////////////////////////////////////////////////////////////// #ifdef ENABLE_BF16 template<> inline __device__ __nv_bfloat16 mul(__nv_bfloat16 a, __nv_bfloat16 b) { #if defined(__CUDA_ARCH__) && __CUDA_ARCH__ >= 800 return __hmul(a, b); #else return bf16hmul(a, b); #endif } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ __nv_bfloat162 mul(__nv_bfloat162 a, __nv_bfloat162 b) { return bf16hmul2(a, b); } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ __nv_bfloat162 mul(__nv_bfloat16 a, __nv_bfloat162 b) { return mul<__nv_bfloat162, __nv_bfloat162, __nv_bfloat162>(bf162bf162(a), b); } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ bf16_4_t mul(bf16_4_t a, bf16_4_t b) { bf16_4_t c; c.x = mul<__nv_bfloat162, __nv_bfloat162, __nv_bfloat162>(a.x, b.x); c.y = mul<__nv_bfloat162, __nv_bfloat162, __nv_bfloat162>(a.y, b.y); return c; } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ bf16_4_t mul(__nv_bfloat16 a, bf16_4_t b) { __nv_bfloat162 s = bf162bf162(a); bf16_4_t c; c.x = mul<__nv_bfloat162, __nv_bfloat162, __nv_bfloat162>(s, b.x); c.y = mul<__nv_bfloat162, __nv_bfloat162, __nv_bfloat162>(s, b.y); return c; } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ bf16_8_t mul(bf16_8_t a, bf16_8_t b) { bf16_8_t c; c.x = mul<__nv_bfloat162, __nv_bfloat162, __nv_bfloat162>(a.x, b.x); c.y = mul<__nv_bfloat162, __nv_bfloat162, __nv_bfloat162>(a.y, b.y); c.z = mul<__nv_bfloat162, __nv_bfloat162, __nv_bfloat162>(a.z, b.z); c.w = mul<__nv_bfloat162, __nv_bfloat162, __nv_bfloat162>(a.w, b.w); return c; } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ bf16_8_t mul(__nv_bfloat16 a, bf16_8_t b) { __nv_bfloat162 s = bf162bf162(a); bf16_8_t c; c.x = mul<__nv_bfloat162, __nv_bfloat162, __nv_bfloat162>(s, b.x); c.y = mul<__nv_bfloat162, __nv_bfloat162, __nv_bfloat162>(s, b.y); c.z = mul<__nv_bfloat162, __nv_bfloat162, __nv_bfloat162>(s, b.z); c.w = mul<__nv_bfloat162, __nv_bfloat162, __nv_bfloat162>(s, b.w); return c; } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ float mul(__nv_bfloat16 a, __nv_bfloat16 b) { float fa = (float)a; float fb = (float)b; return fa * fb; } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ float mul(__nv_bfloat16 a, float b) { return __bfloat162float(a) * b; } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ float2 mul(__nv_bfloat162 a, __nv_bfloat162 b) { float2 fa = bf1622float2(a); float2 fb = bf1622float2(b); return mul(fa, fb); } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ float2 mul(__nv_bfloat16 a, __nv_bfloat162 b) { return mul(bf162bf162(a), b); } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ Float4_ mul(bf16_4_t a, bf16_4_t b) { Float4_ fc; fc.x = mul(a.x, b.x); fc.y = mul(a.y, b.y); return fc; } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ Float4_ mul(__nv_bfloat16 a, bf16_4_t b) { __nv_bfloat162 s = bf162bf162(a); Float4_ fc; fc.x = mul(s, b.x); fc.y = mul(s, b.y); return fc; } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ Float8_ mul(bf16_8_t a, bf16_8_t b) { Float8_ fc; fc.x = mul(a.x, b.x); fc.y = mul(a.y, b.y); fc.z = mul(a.z, b.z); fc.w = mul(a.w, b.w); return fc; } //////////////////////////////////////////////////////////////////////////////////////////////////// template<> inline __device__ Float8_ mul(__nv_bfloat16 a, bf16_8_t b) { __nv_bfloat162 s = bf162bf162(a); Float8_ fc; fc.x = mul(s, b.x); fc.y = mul(s, b.y); fc.z = mul(s, b.z); fc.w = mul(s, b.w); return fc; } #endif // ENABLE_BF16 //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float sum(float2 v) { return v.x + v.y; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float sum(float4 v) { return v.x + v.y + v.z + v.w; } //////////////////////////////////////////////////////////////////////////////////////////////////// #ifdef ENABLE_BF16 inline __device__ float sum(__nv_bfloat162 v) { float2 vf = bf1622float2(v); return vf.x + vf.y; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float sum(bf16_4_t v) { return sum(v.x) + sum(v.y); } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float sum(bf16_8_t v) { return sum(v.x) + sum(v.y) + sum(v.z) + sum(v.w); } #endif // ENABLE_BF16 //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float sum(uint16_t v) { return half_to_float(v); } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float sum(uint32_t v) { float2 tmp = half2_to_float2(v); return tmp.x + tmp.y; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float sum(uint2 v) { uint32_t c = add(v.x, v.y); return sum(c); } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float sum(uint4 v) { #if 1 uint32_t c = add(v.x, v.y); c = add(c, v.z); c = add(c, v.w); #else uint32_t c = add(v.x, v.y); uint32_t d = add(v.z, v.w); c = add(c, d); #endif return sum(c); } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float sum(Float4_ v) { return v.x.x + v.x.y + v.y.x + v.y.y; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float sum(Float8_ v) { return v.x.x + v.x.y + v.y.x + v.y.y + v.z.x + v.z.y + v.w.x + v.w.y; } //////////////////////////////////////////////////////////////////////////////////////////////////// template inline __device__ float dot(T a, T b) { return sum(mul(a, b)); } //////////////////////////////////////////////////////////////////////////////////////////////////// template inline __device__ float dot(T a, T b) { return sum(mul(a, b)); } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ void zero(uint16_t& dst) { dst = uint16_t(0); } //////////////////////////////////////////////////////////////////////////////////////////////////// template inline __device__ void zero(T& dst) { constexpr int WORDS = sizeof(T) / 4; union { T raw; uint32_t words[WORDS]; } tmp; #pragma unroll for (int ii = 0; ii < WORDS; ++ii) { tmp.words[ii] = 0u; } dst = tmp.raw; } //////////////////////////////////////////////////////////////////////////////////////////////////// inline __device__ float logn_attn_get_scaling(float seq_len, int max_position_embeddings) { if (seq_len <= max_position_embeddings) { return 1.f; } return log2f(seq_len) / log2f(max_position_embeddings); } inline __device__ float rotary_embedding_get_base(float seq_len, int max_position_embeddings, float rot_embed_dim, float base) { if (seq_len < max_position_embeddings) { return base; } float ntk_alpha = max(exp2f(ceilf(log2f(seq_len / max_position_embeddings) + 1.f)) - 1.f, 1.f); base *= powf(ntk_alpha, rot_embed_dim / (rot_embed_dim - 2.f)); return base; } // inline __device__ float // rotary_embedding_get_base(float seq_len, int max_position_embeddings, float rot_embed_dim, float base) // { // constexpr float scaling_factor = 1.f; // if (scaling_factor * seq_len < max_position_embeddings) { // return base; // } // base *= powf((scaling_factor * seq_len / max_position_embeddings) - (scaling_factor - 1.f), // rot_embed_dim / (rot_embed_dim - 2.f)); // return base; // } inline __device__ float2 rotary_embedding_coefficient(int zid, int rot_embed_dim, float base, float t_step) { const float inv_freq = t_step / powf(base, zid / (float)rot_embed_dim); return {cos(inv_freq), sin(inv_freq)}; } inline __device__ float2 rotary_embedding_transform(const float2 v, const float2 coef) { float2 rot_v; rot_v.x = coef.x * v.x - coef.y * v.y; rot_v.y = coef.x * v.y + coef.y * v.x; return rot_v; } inline __device__ uint32_t rotary_embedding_transform(const uint32_t v, const float2 coef) { float2 fv = half2_to_float2(v); float2 rot_fv = rotary_embedding_transform(fv, coef); return float2_to_half2(rot_fv); } #ifdef ENABLE_BF16 inline __device__ __nv_bfloat162 rotary_embedding_transform(const __nv_bfloat162 v, const float2 coef) { float2 fv = bf1622float2(v); float2 rot_fv = rotary_embedding_transform(fv, coef); return __floats2bfloat162_rn(rot_fv.x, rot_fv.y); } #endif inline __device__ void apply_rotary_embedding(float& q, int zid, int rot_embed_dim, int t_step) { return; } inline __device__ void apply_rotary_embedding(float& q, float& k, int zid, int rot_embed_dim, int t_step) { return; } inline __device__ void apply_rotary_embedding(float2& q, int tid, int rot_embed_dim, float base, int t_step) { if (2 * tid >= rot_embed_dim) { return; } const auto coef = rotary_embedding_coefficient(2 * tid, rot_embed_dim, base, t_step); q = rotary_embedding_transform(q, coef); } inline __device__ void apply_rotary_embedding(float2& q, float2& k, int tid, int rot_embed_dim, float base, int t_step) { if (2 * tid >= rot_embed_dim) { return; } const auto coef = rotary_embedding_coefficient(2 * tid, rot_embed_dim, base, t_step); q = rotary_embedding_transform(q, coef); k = rotary_embedding_transform(k, coef); } inline __device__ void apply_rotary_embedding(float4& q, int tid, int rot_embed_dim, float base, int t_step) { if (4 * tid >= rot_embed_dim) { return; } Float4_& q_ = *reinterpret_cast(&q); const auto coef0 = rotary_embedding_coefficient(4 * tid, rot_embed_dim, base, t_step); q_.x = rotary_embedding_transform(q_.x, coef0); const auto coef1 = rotary_embedding_coefficient(4 * tid + 2, rot_embed_dim, base, t_step); q_.y = rotary_embedding_transform(q_.y, coef1); } inline __device__ void apply_rotary_embedding(float4& q, float4& k, int tid, int rot_embed_dim, float base, int t_step) { if (4 * tid >= rot_embed_dim) { return; } Float4_& q_ = *reinterpret_cast(&q); Float4_& k_ = *reinterpret_cast(&k); const auto coef0 = rotary_embedding_coefficient(4 * tid, rot_embed_dim, base, t_step); q_.x = rotary_embedding_transform(q_.x, coef0); k_.x = rotary_embedding_transform(k_.x, coef0); const auto coef1 = rotary_embedding_coefficient(4 * tid + 2, rot_embed_dim, base, t_step); q_.y = rotary_embedding_transform(q_.y, coef1); k_.y = rotary_embedding_transform(k_.y, coef1); } inline __device__ void apply_rotary_embedding(uint32_t& q, int tid, int rot_embed_dim, float base, int t_step) { if (2 * tid >= rot_embed_dim) { return; } const auto coef = rotary_embedding_coefficient(2 * tid, rot_embed_dim, base, t_step); q = rotary_embedding_transform(q, coef); } inline __device__ void apply_rotary_embedding(uint32_t& q, uint32_t& k, int tid, int rot_embed_dim, float base, int t_step) { if (2 * tid >= rot_embed_dim) { return; } const auto coef = rotary_embedding_coefficient(2 * tid, rot_embed_dim, base, t_step); q = rotary_embedding_transform(q, coef); k = rotary_embedding_transform(k, coef); } inline __device__ void apply_rotary_embedding(uint2& q, int tid, int rot_embed_dim, float base, int t_step) { if (4 * tid >= rot_embed_dim) { return; } const auto coef0 = rotary_embedding_coefficient(4 * tid, rot_embed_dim, base, t_step); q.x = rotary_embedding_transform(q.x, coef0); const auto coef1 = rotary_embedding_coefficient(4 * tid + 2, rot_embed_dim, base, t_step); q.y = rotary_embedding_transform(q.y, coef1); } inline __device__ void apply_rotary_embedding(uint2& q, uint2& k, int tid, int rot_embed_dim, float base, int t_step) { if (4 * tid >= rot_embed_dim) { return; } const auto coef0 = rotary_embedding_coefficient(4 * tid, rot_embed_dim, base, t_step); q.x = rotary_embedding_transform(q.x, coef0); k.x = rotary_embedding_transform(k.x, coef0); const auto coef1 = rotary_embedding_coefficient(4 * tid + 2, rot_embed_dim, base, t_step); q.y = rotary_embedding_transform(q.y, coef1); k.y = rotary_embedding_transform(k.y, coef1); } inline __device__ void apply_rotary_embedding(uint4& q, int tid, int rot_embed_dim, float base, int t_step) { if (8 * tid >= rot_embed_dim) { return; } const auto coef0 = rotary_embedding_coefficient(8 * tid, rot_embed_dim, base, t_step); q.x = rotary_embedding_transform(q.x, coef0); const auto coef1 = rotary_embedding_coefficient(8 * tid + 2, rot_embed_dim, base, t_step); q.y = rotary_embedding_transform(q.y, coef1); const auto coef2 = rotary_embedding_coefficient(8 * tid + 4, rot_embed_dim, base, t_step); q.z = rotary_embedding_transform(q.z, coef2); const auto coef3 = rotary_embedding_coefficient(8 * tid + 6, rot_embed_dim, base, t_step); q.w = rotary_embedding_transform(q.w, coef3); } inline __device__ void apply_rotary_embedding(uint4& q, uint4& k, int tid, int rot_embed_dim, float base, int t_step) { if (8 * tid >= rot_embed_dim) { return; } const auto coef0 = rotary_embedding_coefficient(8 * tid, rot_embed_dim, base, t_step); q.x = rotary_embedding_transform(q.x, coef0); k.x = rotary_embedding_transform(k.x, coef0); const auto coef1 = rotary_embedding_coefficient(8 * tid + 2, rot_embed_dim, base, t_step); q.y = rotary_embedding_transform(q.y, coef1); k.y = rotary_embedding_transform(k.y, coef1); const auto coef2 = rotary_embedding_coefficient(8 * tid + 4, rot_embed_dim, base, t_step); q.z = rotary_embedding_transform(q.z, coef2); k.z = rotary_embedding_transform(k.z, coef2); const auto coef3 = rotary_embedding_coefficient(8 * tid + 6, rot_embed_dim, base, t_step); q.w = rotary_embedding_transform(q.w, coef3); k.w = rotary_embedding_transform(k.w, coef3); } #ifdef ENABLE_BF16 inline __device__ void apply_rotary_embedding(__nv_bfloat162& q, int tid, int rot_embed_dim, float base, int t_step) { if (2 * tid >= rot_embed_dim) { return; } const auto coef = rotary_embedding_coefficient(2 * tid, rot_embed_dim, base, t_step); q = rotary_embedding_transform(q, coef); } inline __device__ void apply_rotary_embedding(__nv_bfloat162& q, __nv_bfloat162& k, int tid, int rot_embed_dim, float base, int t_step) { if (2 * tid >= rot_embed_dim) { return; } const auto coef = rotary_embedding_coefficient(2 * tid, rot_embed_dim, base, t_step); q = rotary_embedding_transform(q, coef); k = rotary_embedding_transform(k, coef); } inline __device__ void apply_rotary_embedding(bf16_4_t& q, int tid, int rot_embed_dim, float base, int t_step) { if (4 * tid >= rot_embed_dim) { return; } const auto coef0 = rotary_embedding_coefficient(4 * tid, rot_embed_dim, base, t_step); q.x = rotary_embedding_transform(q.x, coef0); const auto coef1 = rotary_embedding_coefficient(4 * tid + 2, rot_embed_dim, base, t_step); q.y = rotary_embedding_transform(q.y, coef1); } inline __device__ void apply_rotary_embedding(bf16_4_t& q, bf16_4_t& k, int tid, int rot_embed_dim, float base, int t_step) { if (4 * tid >= rot_embed_dim) { return; } const auto coef0 = rotary_embedding_coefficient(4 * tid, rot_embed_dim, base, t_step); q.x = rotary_embedding_transform(q.x, coef0); k.x = rotary_embedding_transform(k.x, coef0); const auto coef1 = rotary_embedding_coefficient(4 * tid + 2, rot_embed_dim, base, t_step); q.y = rotary_embedding_transform(q.y, coef1); k.y = rotary_embedding_transform(k.y, coef1); } inline __device__ void apply_rotary_embedding(bf16_8_t& q, int tid, int rot_embed_dim, float base, int t_step) { if (8 * tid >= rot_embed_dim) { return; } const auto coef0 = rotary_embedding_coefficient(8 * tid, rot_embed_dim, base, t_step); q.x = rotary_embedding_transform(q.x, coef0); const auto coef1 = rotary_embedding_coefficient(8 * tid + 2, rot_embed_dim, base, t_step); q.y = rotary_embedding_transform(q.y, coef1); const auto coef2 = rotary_embedding_coefficient(8 * tid + 4, rot_embed_dim, base, t_step); q.z = rotary_embedding_transform(q.z, coef2); const auto coef3 = rotary_embedding_coefficient(8 * tid + 6, rot_embed_dim, base, t_step); q.w = rotary_embedding_transform(q.w, coef3); } inline __device__ void apply_rotary_embedding(bf16_8_t& q, bf16_8_t& k, int tid, int rot_embed_dim, float base, int t_step) { if (8 * tid >= rot_embed_dim) { return; } const auto coef0 = rotary_embedding_coefficient(8 * tid, rot_embed_dim, base, t_step); q.x = rotary_embedding_transform(q.x, coef0); k.x = rotary_embedding_transform(k.x, coef0); const auto coef1 = rotary_embedding_coefficient(8 * tid + 2, rot_embed_dim, base, t_step); q.y = rotary_embedding_transform(q.y, coef1); k.y = rotary_embedding_transform(k.y, coef1); const auto coef2 = rotary_embedding_coefficient(8 * tid + 4, rot_embed_dim, base, t_step); q.z = rotary_embedding_transform(q.z, coef2); k.z = rotary_embedding_transform(k.z, coef2); const auto coef3 = rotary_embedding_coefficient(8 * tid + 6, rot_embed_dim, base, t_step); q.w = rotary_embedding_transform(q.w, coef3); k.w = rotary_embedding_transform(k.w, coef3); } #endif // ENABLE_BF16 } // namespace mmha