特征值检测
简介
特征值检测是针对NPU的PyTorch API,作用是检测在训练过程中激活值的梯度特征值是否存在异常。当前仅能识别数据类型为BF16或FP32的模型在训练过程中出现的收敛异常。

PyTorch图模式(TorchAir)不支持此特性。
CANN版本为8.0.RC2及之前,或Ascend Extension for PyTorch版本为6.0.rc2及之前,需参考CANN或者Ascend Extension for PyTorch相应版本的资料进行操作。
特征值检测需要计算激活值梯度的统计值,会产生额外的显存占用,用户显存紧张情况下可能导致OOM(Out of Memory,内存不足)。
开启检测开关后,针对模型训练的反向阶段,采集通信算子和模型最外层的输入Tensor,并通过算法判断是否异常。若出现异常,当“NPU_ASD_ENABLE”设置为“1”时,只打印异常日志,不上报故障事件;当“NPU_ASD_ENABLE”设置为“2”或“3”时,则终止训练,并将检测到异常的设备上的NPU状态置为Warning,上报故障事件。
特征值异常原因可分为硬件错误和软件错误两类:
- 硬件错误:硬件故障导致激活值梯度出现异常大值。
- 软件错误:模型异常操作或算子越界,导致出现Inf或NaN等异常特征值。
检测原理:根据预先设置的阈值以及历史值,判断当前激活值梯度是否包含异常大值。
用户可参考故障处理进行后续分析。
开启检测开关
- 训练前,配置如下环境变量,使能特征值检测并上报告警:
- 开启特征值检测会导致性能损失,建议在满足如下所有条件时开启,否则性能损失可能大于2%。
- 模型规模:70B及以上;
- 集群规模:64卡及以上;
- torch.npu.set_compile_mode设置:jit_compile=False。
- 满足以上条件下,在模型上下文并行(Context Parallel)较大时,ring attention特性会在模型反向传播过程中引入大量P2P通信,性能损失可能大于2%。
export NPU_ASD_ENABLE=2 #开启特征值检测,并告警
- 未设置或者设置为“0”时,表示关闭特征值检测。此环境变量默认值为“0”。
- 设置为“1”时,表示开启特征值检测,只打印异常日志,不告警。
- 设置为“2”时,表示开启特征值检测,并告警。
- 设置为“3”时,表示开启特征值检测,并告警,同时会在device侧info级别日志中记录过程数据。
- 开启特征值检测会导致性能损失,建议在满足如下所有条件时开启,否则性能损失可能大于2%。
- 特征值采集后,会通过算法判断是否超出正常阈值范围。默认检测阈值无需配置,若需要修改阈值可通过配置环境变量修改。
出厂默认阈值即为最优值,不推荐客户修改。若发生如下情况可根据实际场景调整阈值,并注意相关影响。
- 需要调大阈值场景:若发生告警,并且确认此次数值波动为正常,不影响训练,则调大阈值。
- 若val超过NPU_ASD_UPPER_THRESH导致告警,则需根据val值调大阈值NPU_ASD_UPPER_THRESH(推荐为val*2);
- 若跳变幅度超过NPU_ASD_SIGMA_THRESH触发告警,则需根据(val-pre_val)和(max-min)的比值调大阈值NPU_ASD_SIGMA_THRESH(推荐为(val-pre_val)/(max-min)*2 )。
相关影响:调大阈值会导致检出率有所减低,但误检率也会降低。
export NPU_ASD_UPPER_THRESH=1000000,10000 #配置特征值检测极值的一、二级阈值,一、二级阈值最小取值为3 export NPU_ASD_SIGMA_THRESH=100000,5000 #配置特征值检测跳变的一、二级阈值,一、二级阈值最小取值为3
环境变量NPU_ASD_UPPER_THRESH控制绝对阈值,格式为整型数据对。其中第一个元素控制一级阈值,特征值绝对值超过一级阈值时,会终止训练并上报告警;第二个元素控制二级阈值,特征值绝对值超过二级阈值且“ASCEND_GLOBAL_LOG_LEVEL”设置为“0”、“1”或“2”时,会打印Warning级别日志预警。减小阈值可以检出波动更小的异常数据,增加检出率,增大阈值与之相反。
环境变量NPU_ASD_SIGMA_THRESH控制相对阈值,格式与上者相同。算法会检测特征值跳变幅度,超过阈值时表现与上者相同。
- 需要调大阈值场景:若发生告警,并且确认此次数值波动为正常,不影响训练,则调大阈值。
故障处理
开启检测开关后,若检测到特征值异常,PyTorch会自动终止训练,并上报告警。故障处理流程如下:
- 通过搜索应用类日志(默认存放在“~/ascend/log”路径下)、或监控NPU健康状态、或查看Ascend Device Plugin事件,定位到异常设备。
- 应用类日志:ERROR级别日志,关键词“feature abnormal”;
- NPU健康状态:Health Status显示“Warning”,Error Code显示“80818C00”,Error Information显示“node type=SoC, sensor type=Check Sensor, event state=check fail”;
- Ascend Device Plugin:上报错误码80818C00,事件类型为故障事件,故障级别次要。
- 针对
Atlas A2 训练系列产品 /Atlas A3 训练系列产品 ,确定异常设备后将其隔离,继续训练;同时在异常设备上,先执行如下命令进行ECC计数查询: - 若异常设备上检测到故障卡,请联系华为工程师维修更换;若异常设备上所有NPU均正常,则为软件类问题触发特征值溢出,建议排查用户和算子原因。