通过修改训练脚本配置调优模式（TensorFlow 1.15）

使用前须知

除了通过AOE_MODE环境变量配置调优模式之外，还可以通过修改训练脚本方式，配置调优模式。同时配置的情况下，通过修改训练脚本方式优先生效。

操作步骤

  1. （可选）配置相关环境变量。

    1
    		 
    export ASCEND_DEVICE_ID=0  # 通过该环境变量指定昇腾AI处理器的逻辑ID。取值范围[0,N-1]，默认为0。其中N为当前物理机/虚拟机/容器内的设备总数。

  2. 修改训练脚本，通过如下参数使能AOE调优。

    表1 相关参数解释

    参数

    说明

    aoe_mode

    必选参数。通过AOE工具进行调优的调优模式。

    • 1：子图调优。
    • 2：算子调优。
    • 4：梯度切分调优。

      在数据并行的场景下，使用allreduce对梯度进行聚合，梯度的切分方式与分布式训练性能强相关，切分不合理会导致反向计算结束后存在较长的通信拖尾时间，影响集群训练的性能和线性度。用户可以通过集合通信的梯度切分接口（set_split_strategy_by_idx或set_split_strategy_by_size）进行人工调优，但难度较高。因此，可以通过工具实现自动化搜索切分策略，通过在实际环境预跑采集性能数据，搜索不同的切分策略，理论评估出最优策略输出给用户，用户拿到最优策略后通过set_split_strategy_by_idx接口设置到该网络中。

    说明：

    通过修改训练脚本和AOE_MODE环境变量都可配置调优模式，同时配置的情况下，通过修改训练脚本方式优先生效。

    work_path

    可选参数。AOE工具调优工作目录，存放调优配置文件和调优结果文件，默认生成在训练当前目录下。

    该参数类型为字符串，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（相对执行命令行时的当前路径）。

    • 绝对路径配置以“/”开头，例如：/home/HwHiAiUser/output。
    • 相对路径配置直接以目录名开始，例如：output。

    配置示例：

    1
    		 
    custom_op.parameter_map["work_path"].s = tf.compat.as_bytes("/home/HwHiAiUser/output")

    aoe_config_file

    可选参数。

    通过配置文件可以实现如下功能：

    • 指定算子名称或者算子类型，对指定的算子进行调优。支持指定的算子范围请参见算子列表。对于不在算子列表范围内的算子，不支持调优。该参数使用的场景举例如下:

      在对网络进行Profiling性能分析后，可通过此参数指定对某个性能较低的算子进行调优。

      可配置为经过GE/FE处理过的适配昇腾AI处理器的网络模型中的节点的OP Name/OP Type（此OP Name/OP Type可从Profiling调优数据中获取，详细可参见《性能分析工具使用指南》）。

    • 配置不同的模式调优，包括高性能模式和正常模式。
    • 指定调优功能特性开关，当前包括算子深度调优和算子format调优。

    配置示例：

    1
    		 
    custom_op.parameter_map["aoe_config_file"].s=tf.compat.as_bytes("/home/HwHiAiUser/cfg/tuning_config.cfg")

    文件后缀不局限于.cfg格式，文件内容须为json格式的文本，文件个数只支持单个。

    /home/HwHiAiUser/cfg/tuning_config.cfg中配置的是需要进行调优的算子信息、调优模式、指定的调优功能。路径和.cfg文件的名字请根据实际情况修改。tuning_config.cfg包括的内容格式如下。

    1
2
3
4
5
6
    		 
    {
       "tune_ops_name":["bert/embeddings/addbert/embeddings/add_1","loss/MatMul"],
       "tune_ops_type":["Add", "Mul"]
       "tune_optimization_level":"O1",
       "feature":["deeper_opat,op_format"]
}
    • tune_ops_name：指定的算子名称，当前实现是支持全字匹配，可以指定一个，也可以指定多个，指定多个时需要用英文逗号分隔。
    • tune_ops_type：指定的算子类型，当前实现是支持全字匹配，可以指定一个，也可以指定多个，指定多个时需要用英文逗号分隔。如果有融合算子包括了该算子类型，则该融合算子也会被调优。
    • tune_optimization_level：调优模式，取值为O1表示高性能调优模式，取值为O2表示正常模式。更多介绍请参考--tune_optimization_level
    • feature：调优功能特性开关，支持多个功能，用英文逗号分割。当前支持如下：
      • deeper_opat：算子深度调优。取值为deeper_opat，表示开启算子深度调优，aoe_mode需要配置为2。更多介绍请参见--Fdeeper_opat。
      • op_format：算子format调优。aoe_mode需要配置为2，更多介绍请参见--Fop_format。
    说明：
    • 如上配置文件的内容必须放在"{}"中，tune_ops_type、tune_ops_name和feature的配置内容必须放在"[]"中。
    • tune_ops_type和tune_ops_name可以同时存在，同时存在时取并集，也可以只存在某一个。
    【对于手工迁移的训练脚本】请按照如下方法修改：
    • 如果迁移后的训练脚本中使用了initialize_system接口，请按照如下方法使能AOE调优。 
       1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
      		 
      npu_init = npu_ops.initialize_system()
npu_shutdown = npu_ops.shutdown_system()
config = tf.ConfigProto()
...
custom_op.parameter_map["aoe_mode"].s = tf.compat.as_bytes("2")
...
with tf.Session(config=config) as sess:

    sess.run(npu_init)
    #调用HCCL接口...
    #执行训练...
    sess.run(npu_shutdown)
    • 如果迁移后的训练脚本中没有使用initialize_system接口，请按照如下方法使能AOE调优。
      对于Estimator模式的训练脚本，通过NPURunConfig中的aoe_mode和work_path参数使能AOE调优： 
      1
2
3
4
5
      		 
      import tensorflow as tf
from npu_bridge.npu_init import *

session_config=tf.ConfigProto()
config = NPURunConfig(session_config=session_config, aoe_mode="2")
      对于sess.run模式的训练脚本，通过session配置项aoe_mode和work_path使能AOE调优： 
      1
2
3
4
5
6
7
8
      		 
      import tensorflow as tf
from npu_bridge.npu_init import *

config = tf.ConfigProto()
custom_op =  config.graph_options.rewrite_options.custom_optimizers.add()
custom_op.name =  "NpuOptimizer"
custom_op.parameter_map["aoe_mode"].s = tf.compat.as_bytes("2")
config.graph_options.rewrite_options.remapping = RewriterConfig.OFF
    【对于工具迁移的训练脚本】请按照如下方法修改：
    • 如果迁移后的训练脚本中使用了“init_resource”，请按照如下方法使能AOE调优。 
       1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
      		 
      if __name__ == '__main__':

  session_config = tf.ConfigProto()
  custom_op = session_config.graph_options.rewrite_options.custom_optimizers.add()
  custom_op.name = "NpuOptimizer"
  custom_op.parameter_map["aoe_mode"].s = tf.compat.as_bytes("2")

  (npu_sess, npu_shutdown) = init_resource(config=session_config)
  tf.app.run()
  shutdown_resource(npu_sess, npu_shutdown)
  close_session(npu_sess)
    • 如果迁移后的训练脚本没有使用“init_resource”，请按照如下方法使能AOE调优。
      对于Estimator模式的训练脚本：在迁移后的脚本中找到“npu_run_config_init”，配置调优参数： 
       1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
      		 
      session_config = tf.ConfigProto(allow_soft_placement=True)
custom_op = session_config.graph_options.rewrite_options.custom_optimizers.add()
custom_op.name = 'NpuOptimizer'
custom_op.parameter_map["aoe_mode"].s = tf.compat.as_bytes("2")
run_config = tf.estimator.RunConfig(
    train_distribute=distribution_strategy,
    session_config=session_config,
    save_checkpoints_secs=60*60*24)

classifier = tf.estimator.Estimator(
    model_fn=model_function, model_dir=flags_obj.model_dir, config=npu_run_config_init(run_config=run_config))
      如果脚本中的运行配置函数，例如RunConfig中没有传入session_config参数，需要自行传入session_config： 
       1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
      		 
      session_config = tf.ConfigProto()
custom_op = session_config.graph_options.rewrite_options.custom_optimizers.add()
custom_op.name = 'NpuOptimizer'
custom_op.parameter_map["aoe_mode"].s = tf.compat.as_bytes("2")
run_config = tf.estimator.RunConfig(
    train_distribute=distribution_strategy,
    session_config=session_config,
    save_checkpoints_secs=60*60*24)

classifier = tf.estimator.Estimator(
    model_fn=model_function, model_dir=flags_obj.model_dir, config=npu_run_config_init(run_config=run_config))

      对于sess.run模式的训练脚本：在脚本中找到“npu_config_proto”，并配置调优参数。

      1. 在脚本中找到“npu_config_proto”： 
        1
2
3
        		 
        with tf.Session(config=npu_config_proto()) as sess:
    sess.run(tf.global_variables_initializer())
    interaction_table.init.run()
      2. 配置调优参数： 
        1
2
3
4
5
6
7
8
        		 
        config_proto = tf.ConfigProto()
custom_op = config_proto.graph_options.rewrite_options.custom_optimizers.add()
custom_op.name = 'NpuOptimizer'
custom_op.parameter_map["aoe_mode"].s = tf.compat.as_bytes("2")
config = npu_config_proto(config_proto=config_proto)
with tf.Session(config=config) as sess:
    sess.run(tf.global_variables_initializer())
    interaction_table.init.run()

  3. 执行训练。
父主题： 附录