上板Profiling数据采集
本场景以AddCustom算子为例,假设输入数据和标杆数据是用户自行提供的bin文件,Profiling数据采集和分析过程如下。请根据自身实际情况,按需修改示例代码。
import torch import numpy as np import ascendebug # 设置和清理日志文件 ascendebug.set_log_file('test.log', clean=True) # 1.导入输入/标杆数据,构建算子信息 debug_op = ascendebug.create_debug_op('AddCustom', 'VectorCore', '${chip_version}') \ .custom_input('x', 'int32', [32], '/data_path/x.bin') \ .custom_input('y', 'int32', [32], '/data_path/y.bin') \ .custom_output('z', 'int32', [32], '/data_path/z.bin') \ .attr('mask', 'list_int', [0,0]) \ .attr('repeatTimes', 'int', 1) \ .attr('dstBlkStride', 'int', 1) \ .attr('src0BlkStride', 'int', 1) \ .attr('src1BlkStride', 'int', 1) \ .attr('dstRepStride', 'int', 8) \ .attr('src0RepStride', 'int', 8) \ .attr('src1RepStride', 'int', 8) \ .attr('calCount', 'int', 3) \ .attr('memory', 'int', 0) # 2.创建调试对象并初始化工作空间 install_pkg = "/usr/local/Ascend/" customize_path = "/usr/local/Ascend/latest/opp/vendors/add_custom" op_executor = ascendebug.create_op_executor(debug_op=debug_op, install_path=install_pkg) # 3.调用Tiling调测接口(可选,若已有Tiling bin文件可跳过本步骤) tiling_info = op_executor.run_custom_tiling(customize_path) # 4.调用NPU编译接口 compile_npu_options = ascendebug.CompileNpuOptions() name, kernel_file, extern = op_executor.compile_custom_npu(customize_path, tiling_info.tiling_key, compile_npu_options) # 5.完成Profiling的Options配置,调用Profiling运行接口 profiling_options = ascendebug.RunProfilingOptions(block_num=24, loop=10) npu_compile_info = ascendebug.NpuCompileInfo(syncall=extern['cross_core_sync'], task_ration=extern['task_ration']) op_executor.run_profiling(kernel_file, profiling_options, npu_compile_info=npu_compile_info, tiling_info=tiling_info)
关于算子在NPU板端执行Profiling以及最终采集结果的分析,可以参见“Profiling数据采集功能 > 调测产物”。
父主题: 性能调优