mirror of
https://github.com/ggerganov/llama.cpp.git
synced 2025-01-13 12:10:18 +00:00
llama : move refact in correct place + optimize graph input
This commit is contained in:
Georgi Gerganov
parent
739b85c985
commit
da936188d8
620
llama.cpp
620
llama.cpp
@ -3166,10 +3166,10 @@ static struct ggml_cgraph * llm_build_llama(
|
|||||||
ggml_set_name(KQ_pos, "KQ_pos");
|
ggml_set_name(KQ_pos, "KQ_pos");
|
||||||
|
|
||||||
// shift the entire K-cache if needed
|
// shift the entire K-cache if needed
|
||||||
if (do_rope_shift) {
|
struct ggml_tensor * K_shift = ggml_new_tensor_1d(ctx0, GGML_TYPE_I32, n_ctx);
|
||||||
struct ggml_tensor * K_shift = ggml_new_tensor_1d(ctx0, GGML_TYPE_I32, n_ctx);
|
ggml_set_name(K_shift, "K_shift");
|
||||||
ggml_set_name(K_shift, "K_shift");
|
|
||||||
|
|
||||||
|
if (do_rope_shift) {
|
||||||
for (int il = 0; il < n_layer; ++il) {
|
for (int il = 0; il < n_layer; ++il) {
|
||||||
struct ggml_tensor * tmp =
|
struct ggml_tensor * tmp =
|
||||||
ggml_rope_custom_inplace(ctx0,
|
ggml_rope_custom_inplace(ctx0,
|
||||||
@ -3440,10 +3440,10 @@ static struct ggml_cgraph * llm_build_baichaun(
|
|||||||
ggml_set_name(KQ_pos, "KQ_pos");
|
ggml_set_name(KQ_pos, "KQ_pos");
|
||||||
|
|
||||||
// shift the entire K-cache if needed
|
// shift the entire K-cache if needed
|
||||||
if (do_rope_shift) {
|
struct ggml_tensor * K_shift = ggml_new_tensor_1d(ctx0, GGML_TYPE_I32, n_ctx);
|
||||||
struct ggml_tensor * K_shift = ggml_new_tensor_1d(ctx0, GGML_TYPE_I32, n_ctx);
|
ggml_set_name(K_shift, "K_shift");
|
||||||
ggml_set_name(K_shift, "K_shift");
|
|
||||||
|
|
||||||
|
if (do_rope_shift) {
|
||||||
for (int il = 0; il < n_layer; ++il) {
|
for (int il = 0; il < n_layer; ++il) {
|
||||||
struct ggml_tensor * tmp =
|
struct ggml_tensor * tmp =
|
||||||
ggml_rope_custom_inplace(ctx0,
|
ggml_rope_custom_inplace(ctx0,
|
||||||
@ -3658,247 +3658,6 @@ static struct ggml_cgraph * llm_build_baichaun(
|
|||||||
return gf;
|
return gf;
|
||||||
}
|
}
|
||||||
|
|
||||||
static struct ggml_cgraph * llm_build_refact(
|
|
||||||
llama_context & lctx,
|
|
||||||
const llama_batch & batch,
|
|
||||||
bool worst_case) {
|
|
||||||
const auto & model = lctx.model;
|
|
||||||
const auto & hparams = model.hparams;
|
|
||||||
const auto & cparams = lctx.cparams;
|
|
||||||
|
|
||||||
const auto & kv_self = lctx.kv_self;
|
|
||||||
|
|
||||||
GGML_ASSERT(!!kv_self.ctx);
|
|
||||||
|
|
||||||
const int64_t n_embd = hparams.n_embd;
|
|
||||||
const int64_t n_layer = hparams.n_layer;
|
|
||||||
const int64_t n_ctx = cparams.n_ctx;
|
|
||||||
const int64_t n_head = hparams.n_head;
|
|
||||||
const int64_t n_head_kv = hparams.n_head_kv;
|
|
||||||
const int64_t n_embd_head = hparams.n_embd_head();
|
|
||||||
const int64_t n_embd_gqa = hparams.n_embd_gqa();
|
|
||||||
|
|
||||||
const float norm_rms_eps = hparams.f_norm_rms_eps;
|
|
||||||
|
|
||||||
const int32_t n_tokens = batch.n_tokens;
|
|
||||||
const int32_t n_kv = worst_case ? n_ctx : kv_self.n;
|
|
||||||
const int32_t kv_head = worst_case ? n_ctx - n_tokens : kv_self.head;
|
|
||||||
|
|
||||||
// printf("n_kv = %d\n", n_kv);
|
|
||||||
|
|
||||||
auto & buf_compute = lctx.buf_compute;
|
|
||||||
|
|
||||||
struct ggml_init_params params = {
|
|
||||||
/*.mem_size =*/ buf_compute.size,
|
|
||||||
/*.mem_buffer =*/ buf_compute.data,
|
|
||||||
/*.no_alloc =*/ true,
|
|
||||||
};
|
|
||||||
|
|
||||||
struct ggml_context * ctx0 = ggml_init(params);
|
|
||||||
|
|
||||||
ggml_cgraph * gf = ggml_new_graph(ctx0);
|
|
||||||
|
|
||||||
struct ggml_tensor * cur;
|
|
||||||
struct ggml_tensor * inpL;
|
|
||||||
|
|
||||||
if (batch.token) {
|
|
||||||
struct ggml_tensor * inp_tokens = ggml_new_tensor_1d(ctx0, GGML_TYPE_I32, n_tokens);
|
|
||||||
ggml_set_name(inp_tokens, "inp_tokens");
|
|
||||||
|
|
||||||
inpL = ggml_get_rows(ctx0, model.tok_embeddings, inp_tokens);
|
|
||||||
} else {
|
|
||||||
#ifdef GGML_USE_MPI
|
|
||||||
GGML_ASSERT(false && "not implemented");
|
|
||||||
#endif
|
|
||||||
|
|
||||||
inpL = ggml_new_tensor_2d(ctx0, GGML_TYPE_F32, n_embd, n_tokens);
|
|
||||||
}
|
|
||||||
ggml_set_name(inpL, "inp_embd");
|
|
||||||
|
|
||||||
// KQ_scale
|
|
||||||
struct ggml_tensor * KQ_scale = ggml_new_tensor_1d(ctx0, GGML_TYPE_F32, 1);
|
|
||||||
ggml_set_name(KQ_scale, "KQ_scale");
|
|
||||||
|
|
||||||
// KQ_mask (mask for 1 head, it will be broadcasted to all heads)
|
|
||||||
struct ggml_tensor * KQ_mask = ggml_new_tensor_3d(ctx0, GGML_TYPE_F32, n_kv, n_tokens, 1);
|
|
||||||
ggml_set_name(KQ_mask, "KQ_mask");
|
|
||||||
|
|
||||||
for (int il = 0; il < n_layer; ++il) {
|
|
||||||
struct ggml_tensor * inpSA = inpL;
|
|
||||||
|
|
||||||
// norm
|
|
||||||
{
|
|
||||||
cur = ggml_rms_norm(ctx0, inpL, norm_rms_eps);
|
|
||||||
ggml_set_name(cur, "rms_norm_0");
|
|
||||||
|
|
||||||
// cur = cur*attn_norm(broadcasted)
|
|
||||||
cur = ggml_mul(ctx0, cur, model.layers[il].attn_norm);
|
|
||||||
ggml_set_name(cur, "attn_norm_0");
|
|
||||||
}
|
|
||||||
|
|
||||||
// self-attention
|
|
||||||
{
|
|
||||||
// compute Q and K
|
|
||||||
struct ggml_tensor * tmpk = ggml_mul_mat(ctx0, model.layers[il].wk, cur);
|
|
||||||
ggml_set_name(tmpk, "tmpk");
|
|
||||||
|
|
||||||
struct ggml_tensor * tmpq = ggml_mul_mat(ctx0, model.layers[il].wq, cur);
|
|
||||||
ggml_set_name(tmpq, "tmpq");
|
|
||||||
|
|
||||||
struct ggml_tensor * Kcur = ggml_reshape_3d(ctx0, tmpk, n_embd_head, n_head_kv, n_tokens);
|
|
||||||
ggml_set_name(Kcur, "Kcur");
|
|
||||||
|
|
||||||
struct ggml_tensor * Qcur = ggml_reshape_3d(ctx0, tmpq, n_embd_head, n_head, n_tokens);
|
|
||||||
ggml_set_name(Qcur, "Qcur");
|
|
||||||
|
|
||||||
// store key and value to memory
|
|
||||||
{
|
|
||||||
// compute the transposed [n_tokens, n_embd] V matrix
|
|
||||||
|
|
||||||
struct ggml_tensor * tmpv = ggml_mul_mat(ctx0, model.layers[il].wv, cur);
|
|
||||||
ggml_set_name(tmpv, "tmpv");
|
|
||||||
|
|
||||||
struct ggml_tensor * Vcur = ggml_transpose(ctx0, ggml_reshape_2d(ctx0, tmpv, n_embd_gqa, n_tokens));
|
|
||||||
ggml_set_name(Vcur, "Vcur");
|
|
||||||
|
|
||||||
struct ggml_tensor * k = ggml_view_1d(ctx0, kv_self.k, n_tokens*n_embd_gqa, (ggml_element_size(kv_self.k)*n_embd_gqa)*(il*n_ctx + kv_head));
|
|
||||||
ggml_set_name(k, "k");
|
|
||||||
|
|
||||||
struct ggml_tensor * v = ggml_view_2d(ctx0, kv_self.v, n_tokens, n_embd_gqa,
|
|
||||||
( n_ctx)*ggml_element_size(kv_self.v),
|
|
||||||
(il*n_ctx)*ggml_element_size(kv_self.v)*n_embd_gqa + kv_head*ggml_element_size(kv_self.v));
|
|
||||||
ggml_set_name(v, "v");
|
|
||||||
|
|
||||||
ggml_build_forward_expand(gf, ggml_cpy(ctx0, Kcur, k));
|
|
||||||
ggml_build_forward_expand(gf, ggml_cpy(ctx0, Vcur, v));
|
|
||||||
}
|
|
||||||
|
|
||||||
struct ggml_tensor * Q = ggml_permute(ctx0, Qcur, 0, 2, 1, 3);
|
|
||||||
ggml_set_name(Q, "Q");
|
|
||||||
|
|
||||||
struct ggml_tensor * K =
|
|
||||||
ggml_view_3d(ctx0, kv_self.k,
|
|
||||||
n_embd_head, n_kv, n_head_kv,
|
|
||||||
ggml_element_size(kv_self.k)*n_embd_gqa,
|
|
||||||
ggml_element_size(kv_self.k)*n_embd_head,
|
|
||||||
ggml_element_size(kv_self.k)*n_embd_gqa*n_ctx*il);
|
|
||||||
ggml_set_name(K, "K");
|
|
||||||
|
|
||||||
// K * Q
|
|
||||||
struct ggml_tensor * KQ = ggml_mul_mat(ctx0, K, Q);
|
|
||||||
ggml_set_name(KQ, "KQ");
|
|
||||||
|
|
||||||
// KQ_scaled = KQ / sqrt(n_embd_head)
|
|
||||||
// KQ_scaled shape [n_kv, n_tokens, n_head, 1]
|
|
||||||
struct ggml_tensor * KQ_scaled = ggml_scale(ctx0, KQ, KQ_scale);
|
|
||||||
ggml_set_name(KQ_scaled, "KQ_scaled");
|
|
||||||
|
|
||||||
// KQ_masked = mask_past(KQ_scaled)
|
|
||||||
struct ggml_tensor * KQ_scaled_alibi = ggml_alibi(ctx0, KQ_scaled, /*n_past*/ 0, n_head, 8);
|
|
||||||
ggml_set_name(KQ_scaled_alibi, "KQ_scaled_alibi");
|
|
||||||
|
|
||||||
struct ggml_tensor * KQ_masked = ggml_add(ctx0, KQ_scaled_alibi, KQ_mask);
|
|
||||||
ggml_set_name(KQ_masked, "KQ_masked");
|
|
||||||
|
|
||||||
// KQ = soft_max(KQ_masked)
|
|
||||||
struct ggml_tensor * KQ_soft_max = ggml_soft_max(ctx0, KQ_masked);
|
|
||||||
ggml_set_name(KQ_soft_max, "KQ_soft_max");
|
|
||||||
|
|
||||||
// split cached V into n_head heads
|
|
||||||
struct ggml_tensor * V =
|
|
||||||
ggml_view_3d(ctx0, kv_self.v,
|
|
||||||
n_kv, n_embd_head, n_head_kv,
|
|
||||||
ggml_element_size(kv_self.v)*n_ctx,
|
|
||||||
ggml_element_size(kv_self.v)*n_ctx*n_embd_head,
|
|
||||||
ggml_element_size(kv_self.v)*n_ctx*n_embd_gqa*il);
|
|
||||||
ggml_set_name(V, "V");
|
|
||||||
|
|
||||||
struct ggml_tensor * KQV = ggml_mul_mat(ctx0, V, KQ_soft_max);
|
|
||||||
ggml_set_name(KQV, "KQV");
|
|
||||||
|
|
||||||
// KQV_merged = KQV.permute(0, 2, 1, 3)
|
|
||||||
struct ggml_tensor * KQV_merged = ggml_permute(ctx0, KQV, 0, 2, 1, 3);
|
|
||||||
ggml_set_name(KQV_merged, "KQV_merged");
|
|
||||||
|
|
||||||
// cur = KQV_merged.contiguous().view(n_embd, n_tokens)
|
|
||||||
cur = ggml_cont_2d(ctx0, KQV_merged, n_embd, n_tokens);
|
|
||||||
ggml_set_name(cur, "KQV_merged_contiguous");
|
|
||||||
|
|
||||||
// projection (no bias)
|
|
||||||
cur = ggml_mul_mat(ctx0,
|
|
||||||
model.layers[il].wo,
|
|
||||||
cur);
|
|
||||||
ggml_set_name(cur, "result_wo");
|
|
||||||
}
|
|
||||||
|
|
||||||
struct ggml_tensor * inpFF = ggml_add(ctx0, cur, inpSA);
|
|
||||||
ggml_set_name(inpFF, "inpFF");
|
|
||||||
|
|
||||||
// feed-forward network
|
|
||||||
{
|
|
||||||
// norm
|
|
||||||
{
|
|
||||||
cur = ggml_rms_norm(ctx0, inpFF, norm_rms_eps);
|
|
||||||
ggml_set_name(cur, "rms_norm_1");
|
|
||||||
|
|
||||||
// cur = cur*ffn_norm(broadcasted)
|
|
||||||
cur = ggml_mul(ctx0, cur, model.layers[il].ffn_norm);
|
|
||||||
ggml_set_name(cur, "ffn_norm");
|
|
||||||
}
|
|
||||||
|
|
||||||
struct ggml_tensor * tmp = ggml_mul_mat(ctx0,
|
|
||||||
model.layers[il].w3,
|
|
||||||
cur);
|
|
||||||
ggml_set_name(tmp, "result_w3");
|
|
||||||
|
|
||||||
cur = ggml_mul_mat(ctx0,
|
|
||||||
model.layers[il].w1,
|
|
||||||
cur);
|
|
||||||
ggml_set_name(cur, "result_w1");
|
|
||||||
|
|
||||||
// SILU activation
|
|
||||||
cur = ggml_silu(ctx0, cur);
|
|
||||||
ggml_set_name(cur, "silu");
|
|
||||||
|
|
||||||
cur = ggml_mul(ctx0, cur, tmp);
|
|
||||||
ggml_set_name(cur, "silu_x_result_w3");
|
|
||||||
|
|
||||||
cur = ggml_mul_mat(ctx0,
|
|
||||||
model.layers[il].w2,
|
|
||||||
cur);
|
|
||||||
ggml_set_name(cur, "result_w2");
|
|
||||||
}
|
|
||||||
|
|
||||||
cur = ggml_add(ctx0, cur, inpFF);
|
|
||||||
ggml_set_name(cur, "inpFF_+_result_w2");
|
|
||||||
|
|
||||||
// input for next layer
|
|
||||||
inpL = cur;
|
|
||||||
}
|
|
||||||
|
|
||||||
cur = inpL;
|
|
||||||
|
|
||||||
// norm
|
|
||||||
{
|
|
||||||
cur = ggml_rms_norm(ctx0, cur, norm_rms_eps);
|
|
||||||
ggml_set_name(cur, "rms_norm_2");
|
|
||||||
|
|
||||||
// cur = cur*norm(broadcasted)
|
|
||||||
cur = ggml_mul(ctx0, cur, model.output_norm);
|
|
||||||
ggml_set_name(cur, "result_norm");
|
|
||||||
}
|
|
||||||
|
|
||||||
// lm_head
|
|
||||||
cur = ggml_mul_mat(ctx0, model.output, cur);
|
|
||||||
ggml_set_name(cur, "result_output");
|
|
||||||
|
|
||||||
ggml_build_forward_expand(gf, cur);
|
|
||||||
|
|
||||||
ggml_free(ctx0);
|
|
||||||
|
|
||||||
return gf;
|
|
||||||
}
|
|
||||||
|
|
||||||
static struct ggml_cgraph * llm_build_falcon(
|
static struct ggml_cgraph * llm_build_falcon(
|
||||||
llama_context & lctx,
|
llama_context & lctx,
|
||||||
const llama_batch & batch,
|
const llama_batch & batch,
|
||||||
@ -3976,10 +3735,10 @@ static struct ggml_cgraph * llm_build_falcon(
|
|||||||
ggml_set_name(KQ_pos, "KQ_pos");
|
ggml_set_name(KQ_pos, "KQ_pos");
|
||||||
|
|
||||||
// shift the entire K-cache if needed
|
// shift the entire K-cache if needed
|
||||||
if (do_rope_shift) {
|
struct ggml_tensor * K_shift = ggml_new_tensor_1d(ctx0, GGML_TYPE_I32, n_ctx);
|
||||||
struct ggml_tensor * K_shift = ggml_new_tensor_1d(ctx0, GGML_TYPE_I32, n_ctx);
|
ggml_set_name(K_shift, "K_shift");
|
||||||
ggml_set_name(K_shift, "K_shift");
|
|
||||||
|
|
||||||
|
if (do_rope_shift) {
|
||||||
for (int il = 0; il < n_layer; ++il) {
|
for (int il = 0; il < n_layer; ++il) {
|
||||||
struct ggml_tensor * tmp =
|
struct ggml_tensor * tmp =
|
||||||
ggml_rope_custom_inplace(ctx0,
|
ggml_rope_custom_inplace(ctx0,
|
||||||
@ -4774,6 +4533,247 @@ static struct ggml_cgraph * llm_build_persimmon(
|
|||||||
return gf;
|
return gf;
|
||||||
}
|
}
|
||||||
|
|
||||||
|
static struct ggml_cgraph * llm_build_refact(
|
||||||
|
llama_context & lctx,
|
||||||
|
const llama_batch & batch,
|
||||||
|
bool worst_case) {
|
||||||
|
const auto & model = lctx.model;
|
||||||
|
const auto & hparams = model.hparams;
|
||||||
|
const auto & cparams = lctx.cparams;
|
||||||
|
|
||||||
|
const auto & kv_self = lctx.kv_self;
|
||||||
|
|
||||||
|
GGML_ASSERT(!!kv_self.ctx);
|
||||||
|
|
||||||
|
const int64_t n_embd = hparams.n_embd;
|
||||||
|
const int64_t n_layer = hparams.n_layer;
|
||||||
|
const int64_t n_ctx = cparams.n_ctx;
|
||||||
|
const int64_t n_head = hparams.n_head;
|
||||||
|
const int64_t n_head_kv = hparams.n_head_kv;
|
||||||
|
const int64_t n_embd_head = hparams.n_embd_head();
|
||||||
|
const int64_t n_embd_gqa = hparams.n_embd_gqa();
|
||||||
|
|
||||||
|
const float norm_rms_eps = hparams.f_norm_rms_eps;
|
||||||
|
|
||||||
|
const int32_t n_tokens = batch.n_tokens;
|
||||||
|
const int32_t n_kv = worst_case ? n_ctx : kv_self.n;
|
||||||
|
const int32_t kv_head = worst_case ? n_ctx - n_tokens : kv_self.head;
|
||||||
|
|
||||||
|
// printf("n_kv = %d\n", n_kv);
|
||||||
|
|
||||||
|
auto & buf_compute = lctx.buf_compute;
|
||||||
|
|
||||||
|
struct ggml_init_params params = {
|
||||||
|
/*.mem_size =*/ buf_compute.size,
|
||||||
|
/*.mem_buffer =*/ buf_compute.data,
|
||||||
|
/*.no_alloc =*/ true,
|
||||||
|
};
|
||||||
|
|
||||||
|
struct ggml_context * ctx0 = ggml_init(params);
|
||||||
|
|
||||||
|
ggml_cgraph * gf = ggml_new_graph(ctx0);
|
||||||
|
|
||||||
|
struct ggml_tensor * cur;
|
||||||
|
struct ggml_tensor * inpL;
|
||||||
|
|
||||||
|
if (batch.token) {
|
||||||
|
struct ggml_tensor * inp_tokens = ggml_new_tensor_1d(ctx0, GGML_TYPE_I32, n_tokens);
|
||||||
|
ggml_set_name(inp_tokens, "inp_tokens");
|
||||||
|
|
||||||
|
inpL = ggml_get_rows(ctx0, model.tok_embeddings, inp_tokens);
|
||||||
|
} else {
|
||||||
|
#ifdef GGML_USE_MPI
|
||||||
|
GGML_ASSERT(false && "not implemented");
|
||||||
|
#endif
|
||||||
|
|
||||||
|
inpL = ggml_new_tensor_2d(ctx0, GGML_TYPE_F32, n_embd, n_tokens);
|
||||||
|
}
|
||||||
|
ggml_set_name(inpL, "inp_embd");
|
||||||
|
|
||||||
|
// KQ_scale
|
||||||
|
struct ggml_tensor * KQ_scale = ggml_new_tensor_1d(ctx0, GGML_TYPE_F32, 1);
|
||||||
|
ggml_set_name(KQ_scale, "KQ_scale");
|
||||||
|
|
||||||
|
// KQ_mask (mask for 1 head, it will be broadcasted to all heads)
|
||||||
|
struct ggml_tensor * KQ_mask = ggml_new_tensor_3d(ctx0, GGML_TYPE_F32, n_kv, n_tokens, 1);
|
||||||
|
ggml_set_name(KQ_mask, "KQ_mask");
|
||||||
|
|
||||||
|
for (int il = 0; il < n_layer; ++il) {
|
||||||
|
struct ggml_tensor * inpSA = inpL;
|
||||||
|
|
||||||
|
// norm
|
||||||
|
{
|
||||||
|
cur = ggml_rms_norm(ctx0, inpL, norm_rms_eps);
|
||||||
|
ggml_set_name(cur, "rms_norm_0");
|
||||||
|
|
||||||
|
// cur = cur*attn_norm(broadcasted)
|
||||||
|
cur = ggml_mul(ctx0, cur, model.layers[il].attn_norm);
|
||||||
|
ggml_set_name(cur, "attn_norm_0");
|
||||||
|
}
|
||||||
|
|
||||||
|
// self-attention
|
||||||
|
{
|
||||||
|
// compute Q and K
|
||||||
|
struct ggml_tensor * tmpk = ggml_mul_mat(ctx0, model.layers[il].wk, cur);
|
||||||
|
ggml_set_name(tmpk, "tmpk");
|
||||||
|
|
||||||
|
struct ggml_tensor * tmpq = ggml_mul_mat(ctx0, model.layers[il].wq, cur);
|
||||||
|
ggml_set_name(tmpq, "tmpq");
|
||||||
|
|
||||||
|
struct ggml_tensor * Kcur = ggml_reshape_3d(ctx0, tmpk, n_embd_head, n_head_kv, n_tokens);
|
||||||
|
ggml_set_name(Kcur, "Kcur");
|
||||||
|
|
||||||
|
struct ggml_tensor * Qcur = ggml_reshape_3d(ctx0, tmpq, n_embd_head, n_head, n_tokens);
|
||||||
|
ggml_set_name(Qcur, "Qcur");
|
||||||
|
|
||||||
|
// store key and value to memory
|
||||||
|
{
|
||||||
|
// compute the transposed [n_tokens, n_embd] V matrix
|
||||||
|
|
||||||
|
struct ggml_tensor * tmpv = ggml_mul_mat(ctx0, model.layers[il].wv, cur);
|
||||||
|
ggml_set_name(tmpv, "tmpv");
|
||||||
|
|
||||||
|
struct ggml_tensor * Vcur = ggml_transpose(ctx0, ggml_reshape_2d(ctx0, tmpv, n_embd_gqa, n_tokens));
|
||||||
|
ggml_set_name(Vcur, "Vcur");
|
||||||
|
|
||||||
|
struct ggml_tensor * k = ggml_view_1d(ctx0, kv_self.k, n_tokens*n_embd_gqa, (ggml_element_size(kv_self.k)*n_embd_gqa)*(il*n_ctx + kv_head));
|
||||||
|
ggml_set_name(k, "k");
|
||||||
|
|
||||||
|
struct ggml_tensor * v = ggml_view_2d(ctx0, kv_self.v, n_tokens, n_embd_gqa,
|
||||||
|
( n_ctx)*ggml_element_size(kv_self.v),
|
||||||
|
(il*n_ctx)*ggml_element_size(kv_self.v)*n_embd_gqa + kv_head*ggml_element_size(kv_self.v));
|
||||||
|
ggml_set_name(v, "v");
|
||||||
|
|
||||||
|
ggml_build_forward_expand(gf, ggml_cpy(ctx0, Kcur, k));
|
||||||
|
ggml_build_forward_expand(gf, ggml_cpy(ctx0, Vcur, v));
|
||||||
|
}
|
||||||
|
|
||||||
|
struct ggml_tensor * Q = ggml_permute(ctx0, Qcur, 0, 2, 1, 3);
|
||||||
|
ggml_set_name(Q, "Q");
|
||||||
|
|
||||||
|
struct ggml_tensor * K =
|
||||||
|
ggml_view_3d(ctx0, kv_self.k,
|
||||||
|
n_embd_head, n_kv, n_head_kv,
|
||||||
|
ggml_element_size(kv_self.k)*n_embd_gqa,
|
||||||
|
ggml_element_size(kv_self.k)*n_embd_head,
|
||||||
|
ggml_element_size(kv_self.k)*n_embd_gqa*n_ctx*il);
|
||||||
|
ggml_set_name(K, "K");
|
||||||
|
|
||||||
|
// K * Q
|
||||||
|
struct ggml_tensor * KQ = ggml_mul_mat(ctx0, K, Q);
|
||||||
|
ggml_set_name(KQ, "KQ");
|
||||||
|
|
||||||
|
// KQ_scaled = KQ / sqrt(n_embd_head)
|
||||||
|
// KQ_scaled shape [n_kv, n_tokens, n_head, 1]
|
||||||
|
struct ggml_tensor * KQ_scaled = ggml_scale(ctx0, KQ, KQ_scale);
|
||||||
|
ggml_set_name(KQ_scaled, "KQ_scaled");
|
||||||
|
|
||||||
|
// KQ_masked = mask_past(KQ_scaled)
|
||||||
|
struct ggml_tensor * KQ_scaled_alibi = ggml_alibi(ctx0, KQ_scaled, /*n_past*/ 0, n_head, 8);
|
||||||
|
ggml_set_name(KQ_scaled_alibi, "KQ_scaled_alibi");
|
||||||
|
|
||||||
|
struct ggml_tensor * KQ_masked = ggml_add(ctx0, KQ_scaled_alibi, KQ_mask);
|
||||||
|
ggml_set_name(KQ_masked, "KQ_masked");
|
||||||
|
|
||||||
|
// KQ = soft_max(KQ_masked)
|
||||||
|
struct ggml_tensor * KQ_soft_max = ggml_soft_max(ctx0, KQ_masked);
|
||||||
|
ggml_set_name(KQ_soft_max, "KQ_soft_max");
|
||||||
|
|
||||||
|
// split cached V into n_head heads
|
||||||
|
struct ggml_tensor * V =
|
||||||
|
ggml_view_3d(ctx0, kv_self.v,
|
||||||
|
n_kv, n_embd_head, n_head_kv,
|
||||||
|
ggml_element_size(kv_self.v)*n_ctx,
|
||||||
|
ggml_element_size(kv_self.v)*n_ctx*n_embd_head,
|
||||||
|
ggml_element_size(kv_self.v)*n_ctx*n_embd_gqa*il);
|
||||||
|
ggml_set_name(V, "V");
|
||||||
|
|
||||||
|
struct ggml_tensor * KQV = ggml_mul_mat(ctx0, V, KQ_soft_max);
|
||||||
|
ggml_set_name(KQV, "KQV");
|
||||||
|
|
||||||
|
// KQV_merged = KQV.permute(0, 2, 1, 3)
|
||||||
|
struct ggml_tensor * KQV_merged = ggml_permute(ctx0, KQV, 0, 2, 1, 3);
|
||||||
|
ggml_set_name(KQV_merged, "KQV_merged");
|
||||||
|
|
||||||
|
// cur = KQV_merged.contiguous().view(n_embd, n_tokens)
|
||||||
|
cur = ggml_cont_2d(ctx0, KQV_merged, n_embd, n_tokens);
|
||||||
|
ggml_set_name(cur, "KQV_merged_contiguous");
|
||||||
|
|
||||||
|
// projection (no bias)
|
||||||
|
cur = ggml_mul_mat(ctx0,
|
||||||
|
model.layers[il].wo,
|
||||||
|
cur);
|
||||||
|
ggml_set_name(cur, "result_wo");
|
||||||
|
}
|
||||||
|
|
||||||
|
struct ggml_tensor * inpFF = ggml_add(ctx0, cur, inpSA);
|
||||||
|
ggml_set_name(inpFF, "inpFF");
|
||||||
|
|
||||||
|
// feed-forward network
|
||||||
|
{
|
||||||
|
// norm
|
||||||
|
{
|
||||||
|
cur = ggml_rms_norm(ctx0, inpFF, norm_rms_eps);
|
||||||
|
ggml_set_name(cur, "rms_norm_1");
|
||||||
|
|
||||||
|
// cur = cur*ffn_norm(broadcasted)
|
||||||
|
cur = ggml_mul(ctx0, cur, model.layers[il].ffn_norm);
|
||||||
|
ggml_set_name(cur, "ffn_norm");
|
||||||
|
}
|
||||||
|
|
||||||
|
struct ggml_tensor * tmp = ggml_mul_mat(ctx0,
|
||||||
|
model.layers[il].w3,
|
||||||
|
cur);
|
||||||
|
ggml_set_name(tmp, "result_w3");
|
||||||
|
|
||||||
|
cur = ggml_mul_mat(ctx0,
|
||||||
|
model.layers[il].w1,
|
||||||
|
cur);
|
||||||
|
ggml_set_name(cur, "result_w1");
|
||||||
|
|
||||||
|
// SILU activation
|
||||||
|
cur = ggml_silu(ctx0, cur);
|
||||||
|
ggml_set_name(cur, "silu");
|
||||||
|
|
||||||
|
cur = ggml_mul(ctx0, cur, tmp);
|
||||||
|
ggml_set_name(cur, "silu_x_result_w3");
|
||||||
|
|
||||||
|
cur = ggml_mul_mat(ctx0,
|
||||||
|
model.layers[il].w2,
|
||||||
|
cur);
|
||||||
|
ggml_set_name(cur, "result_w2");
|
||||||
|
}
|
||||||
|
|
||||||
|
cur = ggml_add(ctx0, cur, inpFF);
|
||||||
|
ggml_set_name(cur, "inpFF_+_result_w2");
|
||||||
|
|
||||||
|
// input for next layer
|
||||||
|
inpL = cur;
|
||||||
|
}
|
||||||
|
|
||||||
|
cur = inpL;
|
||||||
|
|
||||||
|
// norm
|
||||||
|
{
|
||||||
|
cur = ggml_rms_norm(ctx0, cur, norm_rms_eps);
|
||||||
|
ggml_set_name(cur, "rms_norm_2");
|
||||||
|
|
||||||
|
// cur = cur*norm(broadcasted)
|
||||||
|
cur = ggml_mul(ctx0, cur, model.output_norm);
|
||||||
|
ggml_set_name(cur, "result_norm");
|
||||||
|
}
|
||||||
|
|
||||||
|
// lm_head
|
||||||
|
cur = ggml_mul_mat(ctx0, model.output, cur);
|
||||||
|
ggml_set_name(cur, "result_output");
|
||||||
|
|
||||||
|
ggml_build_forward_expand(gf, cur);
|
||||||
|
|
||||||
|
ggml_free(ctx0);
|
||||||
|
|
||||||
|
return gf;
|
||||||
|
}
|
||||||
|
|
||||||
static struct ggml_cgraph * llm_build_bloom(
|
static struct ggml_cgraph * llm_build_bloom(
|
||||||
llama_context & lctx,
|
llama_context & lctx,
|
||||||
const llama_batch & batch,
|
const llama_batch & batch,
|
||||||
@ -5360,7 +5360,7 @@ static void llama_build_graph_input(
|
|||||||
// inp_tokens
|
// inp_tokens
|
||||||
if (batch.token) {
|
if (batch.token) {
|
||||||
cur = ggml_graph_get_tensor(graph, "inp_tokens");
|
cur = ggml_graph_get_tensor(graph, "inp_tokens");
|
||||||
GGML_ASSERT(cur != nullptr); // required
|
GGML_ASSERT(cur != nullptr && "missing tensor 'inp_tokens'");
|
||||||
|
|
||||||
ggml_allocr_alloc(lctx.alloc, cur);
|
ggml_allocr_alloc(lctx.alloc, cur);
|
||||||
|
|
||||||
@ -5374,7 +5374,7 @@ static void llama_build_graph_input(
|
|||||||
// inp_embd
|
// inp_embd
|
||||||
if (batch.embd) {
|
if (batch.embd) {
|
||||||
cur = ggml_graph_get_tensor(graph, "inp_embd");
|
cur = ggml_graph_get_tensor(graph, "inp_embd");
|
||||||
GGML_ASSERT(cur != nullptr); // required
|
GGML_ASSERT(cur != nullptr && "missing tensor 'inp_embd'");
|
||||||
|
|
||||||
ggml_allocr_alloc(lctx.alloc, cur);
|
ggml_allocr_alloc(lctx.alloc, cur);
|
||||||
|
|
||||||
@ -5386,38 +5386,84 @@ static void llama_build_graph_input(
|
|||||||
}
|
}
|
||||||
}
|
}
|
||||||
|
|
||||||
// TODO: make the following required based on the ARCH
|
switch (lctx.model.arch) {
|
||||||
|
case LLM_ARCH_LLAMA:
|
||||||
|
case LLM_ARCH_BAICHUAN:
|
||||||
|
case LLM_ARCH_FALCON:
|
||||||
|
case LLM_ARCH_PERSIMMON:
|
||||||
|
{
|
||||||
|
// KQ_pos
|
||||||
|
cur = ggml_graph_get_tensor(graph, "KQ_pos");
|
||||||
|
GGML_ASSERT(cur != nullptr && "missing tensor 'KQ_pos'");
|
||||||
|
|
||||||
// inp_pos
|
ggml_allocr_alloc(lctx.alloc, cur);
|
||||||
cur = ggml_graph_get_tensor(graph, "inp_pos");
|
|
||||||
if (cur) {
|
|
||||||
ggml_allocr_alloc(lctx.alloc, cur);
|
|
||||||
|
|
||||||
if (!ggml_allocr_is_measure(lctx.alloc)) {
|
if (!ggml_allocr_is_measure(lctx.alloc)) {
|
||||||
const int64_t n_tokens = cur->ne[0];
|
const int64_t n_tokens = cur->ne[0];
|
||||||
|
|
||||||
int32_t * data = (int32_t *) cur->data;
|
int32_t * data = (int32_t *) cur->data;
|
||||||
|
|
||||||
for (int i = 0; i < n_tokens; ++i) {
|
for (int i = 0; i < n_tokens; ++i) {
|
||||||
data[i] = batch.pos[i];
|
data[i] = batch.pos[i];
|
||||||
}
|
}
|
||||||
}
|
}
|
||||||
|
|
||||||
|
// K_shift
|
||||||
|
cur = ggml_graph_get_tensor(graph, "K_shift");
|
||||||
|
//GGML_ASSERT(cur != nullptr && "missing tensor 'K_shift'");
|
||||||
|
if (cur) {
|
||||||
|
ggml_allocr_alloc(lctx.alloc, cur);
|
||||||
|
|
||||||
|
if (!ggml_allocr_is_measure(lctx.alloc)) {
|
||||||
|
const int64_t n_ctx = cur->ne[0];
|
||||||
|
|
||||||
|
int32_t * data = (int32_t *) cur->data;
|
||||||
|
|
||||||
|
for (int i = 0; i < n_ctx; ++i) {
|
||||||
|
data[i] = lctx.kv_self.cells[i].delta;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
} break;
|
||||||
|
case LLM_ARCH_STARCODER:
|
||||||
|
{
|
||||||
|
// inp_pos
|
||||||
|
cur = ggml_graph_get_tensor(graph, "inp_pos");
|
||||||
|
GGML_ASSERT(cur != nullptr && "missing tensor 'inp_pos'");
|
||||||
|
|
||||||
|
ggml_allocr_alloc(lctx.alloc, cur);
|
||||||
|
|
||||||
|
if (!ggml_allocr_is_measure(lctx.alloc)) {
|
||||||
|
const int64_t n_tokens = cur->ne[0];
|
||||||
|
|
||||||
|
int32_t * data = (int32_t *) cur->data;
|
||||||
|
|
||||||
|
for (int i = 0; i < n_tokens; ++i) {
|
||||||
|
data[i] = batch.pos[i];
|
||||||
|
}
|
||||||
|
}
|
||||||
|
} break;
|
||||||
|
default:
|
||||||
|
break;
|
||||||
}
|
}
|
||||||
|
|
||||||
// KQ_scale
|
// common
|
||||||
cur = ggml_graph_get_tensor(graph, "KQ_scale");
|
{
|
||||||
if (cur) {
|
// KQ_scale
|
||||||
|
cur = ggml_graph_get_tensor(graph, "KQ_scale");
|
||||||
|
GGML_ASSERT(cur != nullptr && "missing tensor 'KQ_scale'");
|
||||||
|
|
||||||
ggml_allocr_alloc(lctx.alloc, cur);
|
ggml_allocr_alloc(lctx.alloc, cur);
|
||||||
|
|
||||||
if (!ggml_allocr_is_measure(lctx.alloc)) {
|
if (!ggml_allocr_is_measure(lctx.alloc)) {
|
||||||
const int64_t n_embd_head = lctx.model.hparams.n_embd_head();
|
const int64_t n_embd_head = lctx.model.hparams.n_embd_head();
|
||||||
ggml_set_f32(cur, 1.0f/sqrtf(float(n_embd_head)));
|
ggml_set_f32(cur, 1.0f/sqrtf(float(n_embd_head)));
|
||||||
}
|
}
|
||||||
}
|
|
||||||
|
|
||||||
// KQ_mask
|
// KQ_mask
|
||||||
cur = ggml_graph_get_tensor(graph, "KQ_mask");
|
cur = ggml_graph_get_tensor(graph, "KQ_mask");
|
||||||
if (cur) {
|
GGML_ASSERT(cur != nullptr && "missing tensor 'KQ_mask'");
|
||||||
|
|
||||||
ggml_allocr_alloc(lctx.alloc, cur);
|
ggml_allocr_alloc(lctx.alloc, cur);
|
||||||
|
|
||||||
if (!ggml_allocr_is_measure(lctx.alloc)) {
|
if (!ggml_allocr_is_measure(lctx.alloc)) {
|
||||||
@ -5441,38 +5487,6 @@ static void llama_build_graph_input(
|
|||||||
}
|
}
|
||||||
}
|
}
|
||||||
}
|
}
|
||||||
|
|
||||||
// KQ_pos
|
|
||||||
cur = ggml_graph_get_tensor(graph, "KQ_pos");
|
|
||||||
if (cur) {
|
|
||||||
ggml_allocr_alloc(lctx.alloc, cur);
|
|
||||||
|
|
||||||
if (!ggml_allocr_is_measure(lctx.alloc)) {
|
|
||||||
const int64_t n_tokens = cur->ne[0];
|
|
||||||
|
|
||||||
int32_t * data = (int32_t *) cur->data;
|
|
||||||
|
|
||||||
for (int i = 0; i < n_tokens; ++i) {
|
|
||||||
data[i] = batch.pos[i];
|
|
||||||
}
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
// K_shift
|
|
||||||
cur = ggml_graph_get_tensor(graph, "K_shift");
|
|
||||||
if (cur) {
|
|
||||||
ggml_allocr_alloc(lctx.alloc, cur);
|
|
||||||
|
|
||||||
if (!ggml_allocr_is_measure(lctx.alloc)) {
|
|
||||||
const int64_t n_ctx = cur->ne[0];
|
|
||||||
|
|
||||||
int32_t * data = (int32_t *) cur->data;
|
|
||||||
|
|
||||||
for (int i = 0; i < n_ctx; ++i) {
|
|
||||||
data[i] = lctx.kv_self.cells[i].delta;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
} while (0);
|
|
||||||
}
|
}
|
||||||
|
|
||||||
static struct ggml_cgraph * llama_build_graph(
|
static struct ggml_cgraph * llama_build_graph(
|
||||||
|
|||||||
Loading…
Reference in New Issue
Block a user