Ascend PyTorch Profiler性能数据离线解析
当使用Ascend PyTorch Profiler接口采集的性能数据较大时,若在当前环境直接使用on_trace_ready接口进行自动解析,则可能导致资源占用过大出现卡顿,那么可以取消on_trace_ready接口,并通过环境变量ASCEND_WORK_PATH设置落盘目录(例如:export ASCEND_WORK_PATH=xx/xx),在采集完成性能数据后,使用如下方式进行离线解析:
- 创建{file_name}.py文件,{file_name}自定义,并编辑如下代码:
from torch_npu.profiler.profiler import analyse if __name__ == "__main__": analyse(profiler_path="./result_data", max_process_number=max_process_number)
表1 参数说明 参数
描述
可选/必选
profiler_path
PyTorch性能数据路径。路径格式仅支持由字母、数字和下划线组成的字符串,不支持软链接。指定的目录下保存PyTorch性能数据目录{worker_name}_{时间戳}_ascend_pt。
必选
max_process_number
离线解析最大进程数。取值范围为1~CPU核数,默认为CPU核数的一半。若设置超过该环境的CPU核数,则自动取CPU核数;若设置为非法值,则取默认值CPU核数的一半。
可选
离线解析接口支持多性能数据目录并行解析,当性能数据量较大且数据目录较多的情况下,可能因环境内存不足导致解析失败,此时可以通过自定义最大进程数(max_process_number)来控制资源的占用。
- 保存文件后执行如下命令解析性能数据:
python3 {file_name}.py
- 解析完成后请参见《MindStudio Insight 用户指南》进行数据分析。
父主题: 使用PyTorch框架接口采集