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或FP32的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“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两类：硬件错误与软件错误，可参考故障处理进行后续分析。

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。

   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。
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，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。

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。