Profiling

概述

在线推理过程中支持采集Profiling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Profiling数据主要包括：

• task_trace：任务轨迹数据，即昇腾AI处理器HWTS/AICore的硬件信息，分析任务开始、结束等信息。
• aicpu_trace：采集aicpu数据增强的Profiling数据。

默认不采集Profiling性能数据，如需采集，请参考本节内容修改脚本。

sess.run模式下开启Profiling数据采集

sess.run模式下，通过session配置项profiling_mode、profiling_options开启Profiling数据采集，具体参数配置要求请参考sess.run模式下的session配置。

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":"/tmp/profiling","task_trace":"on"}')
config.graph_options.rewrite_options.remapping = RewriterConfig.OFF  #关闭remap开关

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

环境变量方式

除了以上方式，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":"/tmp/profiling","task_trace":"on"}'

Profiling数据分析

训练结束后，切换到result_path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。