char-fork/llama.cpp

git clone https://git.t4t.associates/char-fork/llama.cpp

fairydreamingllama : allocate indexer cache only in "full" indexer layers (#26474)563dec81c

char/aliceai-t5-moe
brancheschar/aliceai-t5-moeall refs →
4.2 KiB139 linesraw
1#pragma once
2
3#include "llama-kv-cache.h"
4
5#include <vector>
6
7//
8// llama_kv_cache_dsa
9//
10
11// utilizes two instances of llama_kv_cache:
12// - the first instance is for caching key tensors of the model,
13// - the second instance is for caching lightning indexer key tensors
14
15class llama_kv_cache_dsa : public llama_memory_i {
16public:
17    llama_kv_cache_dsa(
18            const llama_model & model,
19                    ggml_type   type_k,
20                    ggml_type   type_v,
21                         bool   v_trans,
22                         bool   offload,
23                         bool   unified,
24                     uint32_t   kv_size,
25                     uint32_t   n_seq_max,
26                     uint32_t   n_pad,
27                     uint32_t   n_swa,
28               llama_swa_type   swa_type,
29        const layer_filter_cb & filter_mla,
30        const layer_filter_cb & filter_lid,
31        const  layer_reuse_cb & reuse);
32
33    ~llama_kv_cache_dsa() = default;
34
35    //
36    // llama_memory_i
37    //
38
39    llama_memory_context_ptr init_batch(
40            llama_batch_allocr & balloc,
41            uint32_t n_ubatch,
42            bool embd_all) override;
43
44    llama_memory_context_ptr init_full() override;
45
46    llama_memory_context_ptr init_update(llama_context * lctx, bool optimize) override;
47
48    bool get_can_shift() const override;
49
50    void clear(bool data) override;
51
52    bool seq_rm  (llama_seq_id seq_id,                              llama_pos p0, llama_pos p1) override;
53    void seq_cp  (llama_seq_id seq_id_src, llama_seq_id seq_id_dst, llama_pos p0, llama_pos p1) override;
54    void seq_keep(llama_seq_id seq_id)                                                          override;
55    void seq_add (llama_seq_id seq_id,                              llama_pos p0, llama_pos p1, llama_pos shift) override;
56    void seq_div (llama_seq_id seq_id,                              llama_pos p0, llama_pos p1, int d) override;
57
58    llama_pos seq_pos_min(llama_seq_id seq_id) const override;
59    llama_pos seq_pos_max(llama_seq_id seq_id) const override;
60
61    std::map<ggml_backend_buffer_type_t, size_t> memory_breakdown() const override;
62
63    // state write/load
64
65    void state_write(llama_io_write_i & io, llama_seq_id seq_id = -1, llama_state_seq_flags flags = 0) const override;
66    void state_read (llama_io_read_i  & io, llama_seq_id seq_id = -1, llama_state_seq_flags flags = 0) override;
67
68    //
69    // llama_kv_cache_dsa specific API
70    //
71
72    llama_kv_cache * get_mla() const;
73    llama_kv_cache * get_lid() const;
74
75private:
76    // we keep indexer KV cache hparams instance here as llama_kv_cache stores only reference to it
77    llama_hparams hparams_lid;
78    const uint32_t n_stream  = 1;
79
80    std::unique_ptr<llama_kv_cache> kv_mla;
81    std::unique_ptr<llama_kv_cache> kv_lid;
82};
83
84class llama_kv_cache_dsa_context : public llama_memory_context_i {
85public:
86    using slot_info_vec_t = llama_kv_cache::slot_info_vec_t;
87
88    // used for errors
89    llama_kv_cache_dsa_context(llama_memory_status status);
90
91    // used to create a full-cache context
92    llama_kv_cache_dsa_context(
93            llama_kv_cache_dsa * kv);
94
95    // used to create an update context
96    llama_kv_cache_dsa_context(
97            llama_kv_cache_dsa * kv,
98            llama_context * lctx,
99            bool optimize);
100
101    // used to create a batch processing context from a batch
102    llama_kv_cache_dsa_context(
103            llama_kv_cache_dsa * kv,
104            slot_info_vec_t sinfos_base,
105            slot_info_vec_t sinfos_ik,
106            std::vector<llama_ubatch> ubatches);
107
108    virtual ~llama_kv_cache_dsa_context();
109
110    //
111    // llama_memory_context_i
112    //
113
114    bool next()  override;
115    bool apply() override;
116
117    llama_memory_status  get_status() const override;
118    const llama_ubatch & get_ubatch() const override;
119
120    //
121    // llama_kv_cache_dsa_context specific API
122    //
123
124    const llama_kv_cache_context * get_mla() const;
125    const llama_kv_cache_context * get_lid()  const;
126
127private:
128    //llama_kv_cache_dsa * kv;
129
130    // the index of the next ubatch to process
131    size_t i_next = 0;
132
133    std::vector<llama_ubatch> ubatches;
134
135    const llama_memory_context_ptr ctx_mla;
136    const llama_memory_context_ptr ctx_lid;
137
138    const llama_memory_status status;
139};