问题信息收集

在定位问题之前，务必收集准确的问题信息，具体请参考表1。

表1 问题信息收集模板
类别	主要信息	说明
基本信息	模型类型	了解模型结构（类Llama、类GPT、是否是MoE等）。
	作业规模	卡数、机器数。
	并行策略	具体并行参数配置。
	框架和版本	明确CANN、MindSpore或PyTorch的版本。需确认近期是否有版本变更，以确定问题出现在版本变更之前还是之后。
关键问题描述	问题场景	在模型训练或推理过程中，其表现未达到预期标准或竞品水平，或者出现了性能下降等异常情况。性能不及预期，一般出现在模型迁移后，相较于竞品性能不及预期。性能出现抖动，模型长稳训练过程中，随机或伴随特定事件出现性能波动。集群线性度不足，集群规模扩大后，模型性能没有按照预期增长。纯模型性能差，相同配置下纯模型性能异常，参考训练问题解决。服务化调度调优。
关键问题描述	当前性能指标	明确当前性能问题的状况，计算性能指标的优先级排序请参考性能指标介绍章节。
优化目标	性能优化的目标	明确优化目标及来源，例如是否基于竞品对比，还是通过线性度推算等。说明：若优化中涉及增大batchsize等方法，尽量避免使用单step时间等指标进行衡量，需参考性能指标介绍章节，选取合理指标替换。

父主题： 性能问题的定位流程