AOE自动调优

AOE自动调优工具通过生成调优策略、编译、在运行环境上验证的闭环反馈机制，不断迭代出更优的调优策略，最终得到最佳的调优策略，从而可以更充分利用硬件资源，不断提升网络的性能，达到最优的效果。模型训练阶段，分别使能AOE工具进行子图/算子与梯度切分的调优，调优完成后，最优调度策略会固化到知识库，模型再次训练时，无需开启调优，即可以享受知识库带来的性能收益。

建议按照如下调优顺序使用AOE工具进行调优：

针对Atlas A2 训练系列产品，不支持子图调优。

训练场景下使能AOE调优有两种方式：

设置环境变量

 # 1：子图调优  2：算子调优   4：梯度调优
export AOE_MODE=2

修改训练脚本，通过“aoe_mode”参数指定调优模式，例如：

sess.run模式下，训练脚本修改方法如下：

          
               custom_op.parameter_map["aoe_mode"].s = tf.compat.as_bytes("2")

estimator模式下，训练脚本修改方法如下：

          
               config = NPURunConfig(
    session_config=session_config, 
    aoe_mode=2)

keras模式下，训练脚本的修改方法如下：

          
               custom_op.parameter_map["aoe_mode"].s = tf.compat.as_bytes("2")

关于AOE工具的使用约束及更多功能介绍，请参见《AOE工具使用指南》。

父主题： 基本调优