Profiling数据采集

概述

训练过程中支持采集性能数据，然后借助Profiling工具进行数据分析，从而准确定位系统的软、硬件性能瓶颈，提高性能分析的效率，通过针对性的性能优化方法，以最小的代价和成本实现业务场景的极致性能。当前支持采集的性能数据主要包括：

默认训练过程中不采集Profiling性能数据，如需采集，请参考本节内容修改训练脚本。

Estimator模式下开启Profiling数据采集

您可以尝试先开启task_trace任务轨迹数据采集：

from npu_bridge.npu_init import *

# enable_profiling：是否开启profiling采集
# output：profiling数据存放路径，该参数指定的目录需要在启动训练的环境上（容器或Host侧）提前创建且确保安装时配置的运行用户具有读写权限，支持配置绝对路径或相对路径
# task_trace：是否采集任务轨迹数据
profiling_options = '{"output":"/home/HwHiAiUser/output","task_trace":"on"}'
profiling_config = ProfilingConfig(enable_profiling=True, profiling_options= profiling_options)
session_config=tf.ConfigProto()

config = NPURunConfig(profiling_config=profiling_config, session_config=session_config)
（可选）后续如果仍然无法分析到具体问题，可再开启training_trace迭代轨迹数据采集： 
from npu_bridge.npu_init import *

# enable_profiling：是否开启profiling采集
# output：profiling数据存放路径
# task_trace：是否采集任务轨迹数据
# training_trace：是否采集迭代轨迹数据
# fp_point：指定训练网络迭代轨迹正向算子的开始位置，用于记录前向计算开始时间戳
# bp_point：指定训练网络迭代轨迹反向算子的结束位置，记录后向计算结束时间戳，fp_point和bp_point可以计算出正反向时间
profiling_options = '{"output":"/home/HwHiAiUser/output","task_trace":"on","training_trace":"on","fp_point":"resnet_model/conv2d/Conv2Dresnet_model/batch_normalization/FusedBatchNormV3_Reduce","bp_point":"gradients/AddN_70"}'
profiling_config = ProfilingConfig(enable_profiling=True, profiling_options= profiling_options)
session_config=tf.ConfigProto()

config = NPURunConfig(profiling_config=profiling_config, session_config=session_config)

需要注意的是，采集迭代轨迹数据需要fp_point（训练网络迭代轨迹正向算子的开始位置）和bp_point（反向算子的结束位置），fp_point和bp_point获取方法请参考如何获取fp_point与bp_point。

相关接口详细介绍请参考ProfilingConfig构造函数。

sess.run模式下开启Profiling数据采集

您可以尝试先开启task_trace任务轨迹数据采集：

custom_op =  config.graph_options.rewrite_options.custom_optimizers.add()
custom_op.name =  "NpuOptimizer"
custom_op.parameter_map["use_off_line"].b = True
custom_op.parameter_map["profiling_mode"].b = True
custom_op.parameter_map["profiling_options"].s = tf.compat.as_bytes('{"output":"/home/HwHiAiUser/output","task_trace":"on"}')
config.graph_options.rewrite_options.remapping = RewriterConfig.OFF
config.graph_options.rewrite_options.memory_optimization = RewriterConfig.OFF

with tf.Session(config=config) as sess:
  sess.run()
（可选）后续如果仍然无法分析到具体问题，可再开启training_trace迭代轨迹数据采集： 
custom_op =  config.graph_options.rewrite_options.custom_optimizers.add()
custom_op.name =  "NpuOptimizer"
custom_op.parameter_map["use_off_line"].b = True
custom_op.parameter_map["profiling_mode"].b = True
custom_op.parameter_map["profiling_options"].s = tf.compat.as_bytes('{"output":"/home/HwHiAiUser/output","task_trace":"on","training_trace":"on","fp_point":"resnet_model/conv2d/Conv2Dresnet_model/batch_normalization/FusedBatchNormV3_Reduce","bp_point":"gradients/AddN_70"}')
config.graph_options.rewrite_options.remapping = RewriterConfig.OFF
config.graph_options.rewrite_options.memory_optimization = RewriterConfig.OFF

with tf.Session(config=config) as sess:
  sess.run()

需要注意的是，采集迭代轨迹数据需要fp_point（训练网络迭代轨迹正向算子的开始位置）和bp_point（反向算子的结束位置），fp_point和bp_point获取方法请参考如何获取fp_point与bp_point。

相关接口详细介绍请参考sess.run模式下的session配置。

环境变量方式

除了以上两种方式，用户还可以修改启动脚本中的环境变量，开启Profiling采集功能。

export PROFILING_MODE=true 
export PROFILING_OPTIONS='{"output":"/home/HwHiAiUser/output","training_trace":"on","task_trace":"on","aicpu":"on","fp_point":"resnet_model/conv2d/Conv2Dresnet_model/batch_normalization/FusedBatchNormV3_Reduce","bp_point":"gradients/AddN_70","aic_metrics":"PipeUtilization"}'

环境变量详细配置说明请参考环境变量参考。

通过Profiling工具进行性能分析

训练结束后，切换到output目录下，可查看到Profiling数据，您可以通过Profiling工具解析数据，具体参考《CANN 开发工具指南》中的“Profiling工具使用指南”章节。

通过Profiling工具如果定位到是网络中自定义算子导致的性能不达标，可以通过优化算子提升性能，具体请参考《TBE自定义算子开发指南》的“性能优化专题”。

父主题： 更多特性