性能数据采集

前提条件

完成模型开发&迁移，得到可正常执行训练任务的GPU和NPU环境。

在执行性能数据采集前请先将训练脚本（main.py文件）中的精度数据采集接口删除，因为精度数据采集和性能数据采集不可同时执行。

执行采集

分别在GPU和NPU环境下的训练脚本（main.py文件）中添加Ascend PyTorch Profiler接口工具，如下所示。

 23
 24 import torch_npu
 25 from torch_npu.contrib import transfer_to_npu
 26
...
322     experimental_config = torch_npu.profiler._ExperimentalConfig(
323         export_type=torch_npu.profiler.ExportType.Text,
324         profiler_level=torch_npu.profiler.ProfilerLevel.Level1,
325         msprof_tx=False,
326         aic_metrics=torch_npu.profiler.AiCMetrics.AiCoreNone,
327         l2_cache=False,
328         op_attr=False,
329         data_simplification=False,
330         record_op_args=False,
331         gc_detect_threshold=None)
332     with torch_npu.profiler.profile(
333         activities=[
334             torch_npu.profiler.ProfilerActivity.CPU,
335             torch_npu.profiler.ProfilerActivity.NPU
336             ],
337         schedule=torch_npu.profiler.schedule(wait=0, warmup=0, active=1, repeat=1, skip_first=1),
338         on_trace_ready=torch_npu.profiler.tensorboard_trace_handler("./profiling_data"),
339         record_shapes=False,
340         profile_memory=False,
341         with_stack=False,
342         with_modules=False,
343         with_flops=False,
344         experimental_config=experimental_config) as prof:
345         for i, (images, target) in enumerate(train_loader):
346             # measure data loading time
347             data_time.update(time.time() - end)
348
349             # move data to the same device as model
350             images = images.to(device, non_blocking=True)
351             target = target.to(device, non_blocking=True)
352
353             # compute output
354             output = model(images)
355             loss = criterion(output, target)
356
357             # measure accuracy and record loss
358             acc1, acc5 = accuracy(output, target, topk=(1, 5))
359             losses.update(loss.item(), images.size(0))
360             top1.update(acc1[0], images.size(0))
361             top5.update(acc5[0], images.size(0))
362
363             # compute gradient and do SGD step
364             optimizer.zero_grad()
365             loss.backward()
366             optimizer.step()
367             prof.step()
...

示例中的接口详细介绍请参见《性能调优工具指南》的Ascend PyTorch Profiler接口说明。
性能数据会占据一定的磁盘空间，可能存在磁盘写满导致服务器不可用的风险。性能数据所需空间跟模型的参数、采集开关配置、采集的迭代数量有较大关系，须用户自行保证落盘目录下的可用磁盘空间。

执行训练脚本命令，工具会将模型训练过程中的性能数据采集下来。
```
python main.py -a resnet50 -b 32 --gpu 1 --dummy
```

查看采集到的PyTorch训练性能数据结果文件。

训练结束后，在torch_npu.profiler.tensorboard_trace_handler接口指定的目录下生成Ascend PyTorch Profiler接口的采集结果目录，如下示例。

└── localhost-247.localdomain_2201189_20241114070751139_ascend_pt
    ├── ASCEND_PROFILER_OUTPUT
    │   ├── api_statistic.csv
    │   ├── kernel_details.csv
    │   ├── operator_details.csv
    │   ├── op_statistic.csv
    │   ├── step_trace_time.csv
    │   └── trace_view.json
    ├── FRAMEWORK
...
    ├── PROF_000001_20241114151021952_PGRJNNCFAIJQMERA
    │   ├── device_1
    │   │   ├── data
...
    │   ├── host
    │   │   ├── data
...
    │   ├── mindstudio_profiler_log
...
    │   └── mindstudio_profiler_output
    │       ├── api_statistic_20241114151110.csv
    │       ├── msprof_20241114151108.json
    │       ├── op_statistic_20241114151110.csv
    │       ├── op_summary_20241114151110.csv
    │       ├── prof_rule_1_20241114151110.json
    │       ├── README.txt
    │       └── task_time_20241114151110.csv
    └── profiler_info.json

Ascend PyTorch Profiler接口采集的性能数据建议使用MindStudio Insight工具进行可视化分析，也可以使用mstt的msprof-analyze工具进行辅助分析，详细操作请参见使用MindStudio Insight工具可视化性能数据和使用msprof-analyze工具分析性能数据。

父主题： 模型性能调优