flashinfer.sampling.top_p_sampling_from_probs¶
- flashinfer.sampling.top_p_sampling_from_probs(probs: Tensor, top_p: Tensor | float, indices: Tensor | None = None, deterministic: bool = True, generator: Generator | None = None, check_nan: bool = False, seed: int | None = None, offset: int | None = None) Tensor¶
用于从概率中进行 Top-P 采样（核采样）的融合 GPU 内核，此运算符实现基于 GPU 的拒绝采样，无需显式排序。有关更多详细信息，请查看博客文章。
多次拒绝采样的轮次在单个 CUDA 内核中实现，这比启动一系列内核的朴素实现更有效。
- 参数:
probs (torch.Tensor) – 采样的概率。当未提供 indices 时，形状应为
(batch_size, num_classes)，第 i 个输出将从概率的第 i 行中采样。当提供 indices 时，形状应为(unique_batch_size, num_classes)，其中 unique_batch_size 是唯一概率分布的数量。top_p (Union[torch.Tensor, float]) – 要么是一个浮点数，要么是一个形状为
(batch_size,)的张量，表示 Top-P 采样的阈值。如果是一个浮点数，则对所有请求使用相同的阈值。如果是一个张量，则每个请求都有自己的阈值。indices (Optional[torch.Tensor]) – 可选的 indices 张量，形状为
(batch_size,)，dtype 为torch.int32或torch.int64，它将每个输出映射到 probs 中的一行。输出张量的 dtype 将与 indices 相同。例如，如果 indices[i] = j，则第 i 个输出将从 probs[j] 中采样。这允许为多个输出重用相同的概率分布。如果未提供 indices，则第 i 个输出将从 probs 的第 i 行中采样，并且输出 dtype 默认为torch.int32。deterministic (bool) – 是否使用确定性内核实现，默认值为
True。generator (Optional[torch.Generator]) – 操作的随机数生成器。
check_nan (bool) – 是否检查
probs中的 nan，默认值为False。seed (Optional[int]) – 采样操作期间用于 rng 的种子值。
offset (Optional[int]) – 采样操作期间用于 rng 的偏移值。
- 返回值:
samples – 采样的类别，形状为
(batch_size,)。- 返回值类型:
torch.Tensor
示例
>>> import torch >>> import flashinfer >>> torch.manual_seed(42) >>> batch_size = 4 >>> vocab_size = 5 >>> top_p = 0.5 >>> pre_norm_prob = torch.rand(batch_size, vocab_size).to(0) >>> norm_prob = pre_norm_prob / pre_norm_prob.sum(dim=-1, keepdim=True) >>> norm_prob tensor([[0.2499, 0.2592, 0.1085, 0.2718, 0.1106], [0.2205, 0.0942, 0.2912, 0.3452, 0.0489], [0.2522, 0.1602, 0.2346, 0.1532, 0.2000], [0.1543, 0.3182, 0.2062, 0.0958, 0.2255]], device='cuda:0') >>> samples = flashinfer.sampling.top_p_sampling_from_probs(norm_prob, top_p) >>> samples tensor([1, 2, 0, 4], device='cuda:0', dtype=torch.int32)
注意
此函数期望 float32 输入，输出为 int32。