整网数据比对

使用场景

排除以上问题后，在训练网络精度仍未达预期时，通过采集训练过程中各算子的运算结果（即Dump数据），然后和业界标准算子（如TensorFlow）运算结果进行数据偏差对比，快速定位到具体算子的精度问题。主要过程为：

前提条件

  1. 已排除浮点异常问题，并关闭溢出检测开关。
  2. 已排除融合异常问题，并恢复融合规则开关状态。

  3. 已完成工具部署。

  4. 整网数据比对前，需要先检查并去除训练脚本内部使用到的随机处理，避免由于输入数据不一致导致数据比对结果不可用。具体请参考训练脚本去随机处理。
  5. 整网数据比对时，依赖CANN Toolkit软件包中的工具，因此需要准备CANN开发环境，即Toolkit安装环境。

基于GPU/CPU Dump标杆数据

利用TensorFlow的debug工具tfdbg_ascend生成npy文件。详细的操作方法如下：

  1. 修改tf训练脚本，在调起模型部分的训练脚本.py文件中修改配置。示例代码如下。

    样例一：

    1. 导入debug插件。 
      1
      		 
      import tfdbg_ascend as dbg
    2. 在每个step训练启动代码前配置如下代码，例如dump第5个step的数据。 
      1
2
3
4
      		 
            tfdbg.disable()
      if current_step == 5: 
        tfdbg.enable()
        tfdbg.set_dump_path('home/test/gpu_dump')
    样例二：
    1. 导入debug插件。 
      1
      		 
      import tfdbg_ascend as dbg
    2. 例如dump第4个step的数据。dbg.enable不配置时，dump功能默认开启；dump路径不指定时，dump文件默认保存在训练脚本所在路径下。 
      1
2
3
4
5
6
7
8
9
      		 
      class DumpConfig(tf.keras.callbacks.Callback):
    def __init__(self):
        super().__init__()
    def on_batch_begin(self, batch, logs={}):
        if batch == 4:
            dbg.enable()
            dbg.set_dump_path("/user/name1/pip_pkg/dump4")
        else:
            dbg.disable()
    3. 注册回调函数（define callbacks ）。 
       1
 2
 3
 4
 5
 6
 7
 8
 9
10
      		 
      # define callbacks
        callbacks = [
            ModelCheckpoint(
                f'models/model_epochs-{epochs}_batch-{batch_size}_loss-{loss_function}_{Mask2FaceModel.get_datetime_string()}.h5'),
            LossHistory(batch_size),
            DumpConfig()
        ]
	
# fit the model 调起模型的代码位置
history = self.model.fit(train_dataset, validation_data=valid_dataset, epochs=1, callbacks=callbacks, verbose=2)

  2. 执行训练脚本，训练任务停止后，在指定目录下生成*.npy文件。
  3. 检查生成的npy文件命名是否符合规则，如图1所示。

    • npy文件命名规则：{op_name}.{output_index}.{timestamp}.npy，其中op_name字段需满足“A-Za-z0-9_-”正则表达式规则，timestamp需满足[0-9]{1,255}正则表达式，output_index为0~9数字组成。
    • 如果因算子名较长，造成按命名规则生成的npy文件名超过255字符而产生文件名异常，这类算子不支持精度比对。
    图1 查询.npy文件

基于NPU Dump精度数据

以下操作在NPU训练环境执行。Dump数据前，需要注意的是：

一般情况下，dump首个step的数据用作后续比对分析即可，为了避免随机权重导致比对不准确的问题，可以在训练开始前保存ckpt，并在训练时加载。如果确定是某个step的精度问题，则建议加载最靠近异常步的ckpt文件。

  1. 修改“precision_tool/lib/config”目录下的config.py文件，指定需要dump数据的step。

    1
2
    		 
    # dump特定step的数据，一般对比分析dump首层即可，即保持默认值，如需指定特定step可以修改，例如 '0|5|10'
TF_DUMP_STEP = '0'

  2. 修改训练脚本，使能Dump数据采集。

    以下修改会同时生成Dump数据和Dump图，用于精度数据比对。 
    1
2
    		 
    import precision_tool.tf_config as npu_tf_config 
npu_tf_config.npu_device_dump_config(npu_device, action='dump')

    除了此种方式，您也可以参考《精度比对工具使用指南》的方法修改训练脚本，采集Dump数据，但配置较为复杂，且采集到数据之后，需要手工提取并放在相应目录下，用于后续数据分析。注意两种方式不能重复配置。

  3. 执行训练，会在precision_data/npu/debug_0目录下分别保存GE的Dump图和Dump数据文件。

精度数据比对

精度数据分析依赖CANN Toolkit软件包中的atc工具和msaccucmp.py工具，以下操作需要在CANN开发环境，即Toolkit安装环境进行。

  1. 将precision_tool和precision_data（包括标杆数据和NPU的精度数据）文件夹上传到Toolkit安装环境的任意目录下，目录结构示例：

    ├── precision_tool              
│    ├── cli.py                   
│    ├── ...
├── precision_data              
│    ├── npu                   
│    │    ├── debug_0  // 存放npu dump数据
│    ├── tf
│    │    ├── dump     // 存放标杆dump数据

  2. 安装Python依赖。

    # graphviz为可选依赖，只有当需要绘制算子子图时才需要安装
pip3 install rich graphviz
# ubuntu/Debian
sudo apt-get install graphviz
# fedora/CentOS
sudo yum install graphviz

  3. 修改工具precision_tool/lib/config目录下的config.py。

    # 依赖Toolkit包中的atc和msaccucmp.py工具，配置为Toolkit包安装目录
# 默认Toolkit包安装在/usr/local/Ascend，可以不用修改，指定目录安装则需要修改
CMD_ROOT_PATH = '/usr/local/Ascend'

  4. 启动PrecisionTool交互命令行。

    python3 ./precision_tool/cli.py

    进入交互命令行界面：

    PrecisionTool >

  5. 执行ac -l [limit_num] (-c)命令进行整网精度比对。

    PrecisionTool > ac -c

    根据数据量大小，比对过程需要时间不同。

    对比结果会以csv的格式存放在precision_data/temp/vector_compare目录中：

    您可以直接打开csv文件进行分析，具体请参考整网精度比对结果文件说明。

  6. 除了直接打开csv文件进行精度分析外，您也可以使用vcs -f [file_name] -c [cos_sim_threshold] -l [limit]命令筛选比对结果。

    vcs命令默认筛选余弦相似度小于0.98的结果，您也可以通过-c参数自定义阈值：

    • Left：表示基于NPU运行生成的dump数据的算子名。
    • Right：表示基于GPU/CPU运行生成的npy或dump数据的算子名。
    • Input和Output：表示该算子各输入输出的余弦相似度算法比对结果，范围是[-1,1]，比对的结果如果越接近1，表示两者的值越相近，越接近-1意味着两者的值越相反。

    从上图的比对结果可以看到，算子的输入基本一致，但第一个输出与标杆存在明显差异（余弦相似度为0.806927，小于0.98），说明该算子可能存在精度问题。

    当出现多个算子精度问题时，会出现N个异常算子信息，默认按照算子执行顺序排序，由于后面算子精度问题可能是因为前一个算子精度问题导致，建议用户优先分析第一个异常算子。

  7. 执行ni (-n) [op_name] -s [save sub graph deep]命令，可以查询异常算子的节点信息。

    ni命令可以根据传入的算子名称，得到如下关键信息：

    1. 算子类型，以上图为例，算子类型为Add。

      另外，PassName表示该算子为融合算子，对应值表示融合规则名称，OriginOp为融合前的算子，表明是由于算子融合导致精度问题。正常情况下，融合问题应该在浮点异常检测阶段解决。

    2. 自动解析Dump数据，打印Dump数据的基础信息（max/min/mean）。
    3. 如果传入-s，则会保存一个以当前算子为中心，指定深度的子图结构，例如：

分析思路参考

整网数据比对提供了一个全网Dump数据与TF标杆数据的逐层累计比对报表，由于整网数据由于硬件差异本身是存在一定给误差的，且误差会随着层数增多而累计，即便精度正常的网络数值上也会存在细微误差，一般采用余弦相似度做初步的可疑算子筛选（注意：余弦相似度较高也不一定说明没有问题，但较低一般代表可能存在问题），精度对比结果可以给出一个大致的分析方向。

  1. 根据算子类型，可以判断该算子是否为用户自定义算子：
    • 对于自定义算子，一般由用户自行分析算子的实现逻辑是否与标杆一致，可以ni命令提供的算子参数信息，以及dump数据进行单算子分析。
    • 对于CANN内置算子，如果算子输入或输出类型为float16，则可以切换算子类型至float32计算，用户可以尝试以下两种方法：
      1. （推荐）方法一：通过性能调优的modify_mixlist修改混合精度模式算子黑白灰名单，调整算子精度模式。
      2. 方法二：通过npu.keep_dtype_scope接口，指定哪些算子保持原有精度。 
        1
2
3
        		 
        import npu_device as npu
with npu.keep_dtype_scope():
    v = tf.add(1, 1)
  2. 如果依旧无法解决，欢迎到昇腾社区提issue求助。
父主题： 精度调优