import torch
from torch import nn
import torch.nn.functional as F
import torch.distributed as dist

from nanovllm.utils.context import get_context


class VocabParallelEmbedding(nn.Module):
    """词表并行 Embedding：将词表按 TP rank 切分。

    每个 rank 只存储词表中属于自己的分片。前向计算时：
    1. 只查找属于自己的 token ID，其他位置输出零。
    2. 通过 all-reduce 聚合所有 rank 的结果。
    """

    def __init__(
        self,
        num_embeddings: int,
        embedding_dim: int,
    ):
        super().__init__()
        self.tp_rank = dist.get_rank()
        self.tp_size = dist.get_world_size()
        assert num_embeddings % self.tp_size == 0
        self.num_embeddings = num_embeddings
        self.num_embeddings_per_partition = self.num_embeddings // self.tp_size
        self.vocab_start_idx = self.num_embeddings_per_partition * self.tp_rank
        self.vocab_end_idx = self.vocab_start_idx + self.num_embeddings_per_partition
        self.weight = nn.Parameter(torch.empty(self.num_embeddings_per_partition, embedding_dim))
        self.weight.weight_loader = self.weight_loader

    def weight_loader(self, param: nn.Parameter, loaded_weight: torch.Tensor):
        """加载属于当前 rank 的词表分片。"""
        param_data = param.data
        shard_size = param_data.size(0)
        start_idx = self.tp_rank * shard_size
        loaded_weight = loaded_weight.narrow(0, start_idx, shard_size)
        param_data.copy_(loaded_weight)

    def forward(self, x: torch.Tensor):
        if self.tp_size > 1:
            # 构造 mask：标记哪些 token ID 属于当前 rank 的范围
            mask = (x >= self.vocab_start_idx) & (x < self.vocab_end_idx)
            # 将全局 token ID 转为局部索引
            x = mask * (x - self.vocab_start_idx)
        y = F.embedding(x, self.weight)
        if self.tp_size > 1:
            # 非当前 rank 范围的 token 输出清零，然后 all-reduce 求和
            y = mask.unsqueeze(1) * y
            dist.all_reduce(y)
        return y


class ParallelLMHead(VocabParallelEmbedding):
    """并行 LM Head：将隐藏状态映射为词表 logits。

    与 Embedding 共享权重（如果模型配置了 tie_word_embeddings），
    但前向逻辑不同：使用 F.linear（矩阵乘法）而非 F.embedding（查表）。

    Prefill 阶段只需要每个序列最后一个 token 的 logits（因为只有最后一个 token 会用于采样），
    所以先用 cu_seqlens 提取最后位置，再做矩阵乘法，减少计算量。
    """

    def __init__(
        self,
        num_embeddings: int,
        embedding_dim: int,
        bias: bool = False,
    ):
        assert not bias
        super().__init__(num_embeddings, embedding_dim)

    def forward(self, x: torch.Tensor):
        context = get_context()
        if context.is_prefill:
            # Prefill: 只取每个序列最后一个 token 的隐藏状态用于采样
            last_indices = context.cu_seqlens_q[1:] - 1
            x = x[last_indices].contiguous()
        # 矩阵乘法得到 logits
        logits = F.linear(x, self.weight)
        if self.tp_size > 1:
            # Gather 所有 rank 的 logits 分片到 rank 0
            all_logits = [torch.empty_like(logits) for _ in range(self.tp_size)] if self.tp_rank == 0 else None
            dist.gather(logits, all_logits, 0)
            logits = torch.cat(all_logits, -1) if self.tp_rank == 0 else None
        return logits