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的梯度特征值是否存在异常。当前仅能识别数据类型为BF16的LLM大语言模型训练过程中出现的收敛异常。

检测原理：开启检测开关后，针对Transformer结构模型训练的反向阶段，采集Layernorm层、Embedding层的激活值梯度，并通过算法判断是否异常。若出现异常，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两类：硬件错误与软件错误，可参考故障处理进行后续分析。

模型脚本适配

特征值检测的原理是通过对指定网络层注册hook从而调用检测算子实现，因此，针对未使用昇腾提供的三方框架（ModelLink、MindSpeed、Megatron、DeepSpeed）的用户，在使用特征值检测功能时，需要对模型脚本做对应适配。若使用了昇腾提供的三方框架，则已集成该功能，无需适配。

1. 自定义layernorm层、embedding层注册hook。

   当前PyTorch框架中，开启特征值检测开关后，会对torch.nn.functional.layer_norm\torch.nn.functional.embedding注册hook，因此用户如果自定义实现layer_norm层或embedding层的能力，需要自行注册hook。

   对于自定义layer_norm层，需要对input tensor注册hook，以rms_norm为例：

   class RMSNorm(torch.nn.Module):
       def __init__(self,
                    dim: int,
                    eps: float = 1e-6,
                    sequence_parallel: bool = False):
           """RMS Normaliation module
           Arguments:
               dim (int): The width of input, i.e. hidden size
               eps (float): epsilon to use for the norm, default to 1e-6
               sequence_parallel (bool): Set to true if sequence parallelism is being used,
                 this marks the weights as needing to be allreduced.
           """
           super().__init__()
           args = get_args()
           self.use_fused_rmsnorm = args.use_fused_rmsnorm
           self.eps = eps
           self.weight = nn.Parameter(torch.ones(dim))
           setattr(self.weight, 'sequence_parallel', sequence_parallel)
       def _norm(self, x):
           return x * torch.rsqrt(x.pow(2).mean(-1, keepdim=True) + self.eps)
       def forward(self, x):
           if int(os.getenv('NPU_ASD_ENABLE', '0')):
               from torch_npu.utils import register_asd_hook
               register_asd_hook(x, self.weight)
           if self.use_fused_rmsnorm:
               return torch_npu.npu_rms_norm(x, self.weight, epsilon=self.eps)[0]
           output = self._norm(x.float()).type_as(x)
           return output * self.weight

   对于自定义embedding层，需要对weight tensor注入hook，同上。

开启检测开关

1. 训练前，配置如下环境变量，使能特征值检测：
   

   开启特征值检测会导致训练性能损失小于2%。

   export NPU_ASD_ENABLE=1                      #开启特征值检测

   环境变量设置为0时，表示开关未打开；设置为1时，表示开关打开。未配置环境变量时，默认开关未打开。

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，仅在需要修改阈值时，通过配置环境变量修改。

   export NPU_ASD_UPPER_THRESH=1000000,10000    #配置特征值检测极值的一、二级阈值
   export NPU_ASD_SIGMA_THRESH=100000,5000      #配置特征值检测跳变的一、二级阈值

   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。

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：

1. 通过搜索应用类日志（默认存放在“$HOME/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，错误码：80818C00。
   • 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。
2. 将异常设备隔离，继续训练；同时在异常设备上，通过Ascend-DMI工具执行AICore ERROR压测诊断，检测该设备上是否存在故障NPU。详情请查看《MindX DL ascend-dmi用户指南》中的“故障诊断”章节。
3. 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。