通过修改训练脚本配置调优模式（TensorFlow 1.15）

使用前须知

除了通过AOE_MODE环境变量配置调优模式之外，还可以通过修改训练脚本方式，配置调优模式。同时配置的情况下，通过修改训练脚本方式优先生效。

操作步骤

1. （可选）配置相关环境变量。

   export ASCEND_DEVICE_ID=0  # 通过该环境变量指定昇腾AI处理器的逻辑ID。取值范围[0,N-1]，默认为0。其中N为当前物理机/虚拟机/容器内的设备总数。

2. 修改训练脚本，通过如下参数使能AOE调优。

   表1 相关参数解释

   参数	说明
   aoe_mode	必选参数。通过AOE工具进行调优的调优模式。 1：子图调优。 2：算子调优。 4：梯度切分调优。 在数据并行的场景下，使用allreduce对梯度进行聚合，梯度的切分方式与分布式训练性能强相关，切分不合理会导致反向计算结束后存在较长的通信拖尾时间，影响集群训练的性能和线性度。用户可以通过集合通信的梯度切分接口（set_split_strategy_by_idx或set_split_strategy_by_size）进行人工调优，但难度较高。因此，可以通过工具实现自动化搜索切分策略，通过在实际环境预跑采集性能数据，搜索不同的切分策略，理论评估出最优策略输出给用户，用户拿到最优策略后通过set_split_strategy_by_idx接口设置到该网络中。 说明： 通过修改训练脚本和AOE_MODE环境变量都可配置调优模式，同时配置的情况下，通过修改训练脚本方式优先生效。
   work_path	可选参数。AOE工具调优工作目录，存放调优配置文件和调优结果文件，默认生成在训练当前目录下。 该参数类型为字符串，指定的目录需要在启动训练的环境上（容器或Host侧）提前创建且确保安装时配置的运行用户具有读写权限，支持配置绝对路径或相对路径（相对执行命令行时的当前路径）。 绝对路径配置以“/”开头，例如：/home/HwHiAiUser/output。 相对路径配置直接以目录名开始，例如：output。 配置示例： custom_op.parameter_map["work_path"].s = tf.compat.as_bytes("/home/HwHiAiUser/output")
   aoe_config_file	可选参数。 通过配置文件指定算子名称或者算子类型，对指定的算子进行调优。支持指定的算子范围请参见算子列表。对于不在算子列表范围内的算子，不支持调优。该参数使用的场景举例如下: 在对网络进行Profiling性能分析后，可通过此参数指定对某个性能较低的算子进行调优。 可配置为经过GE/FE处理过的适配昇腾AI处理器的网络模型中的节点的OP Name/OP Type（此OP Name/OP Type可从Profiling调优数据中获取，详细可参见《性能分析工具使用指南》）。 配置示例： custom_op.parameter_map["aoe_config_file"].s=tf.compat.as_bytes("/home/HwHiAiUser/cfg/tuning_config.cfg") 文件后缀不局限于.cfg格式，文件内容须为json格式的文本，文件个数只支持单个。 /home/HwHiAiUser/cfg/tuning_config.cfg中配置的是需要进行调优的算子信息。路径和.cfg文件的名字请根据实际情况修改。tuning_config.cfg包括的内容格式如下。 { "tune_ops_name":["bert/embeddings/addbert/embeddings/add_1","loss/MatMul"], "tune_ops_type":["Add", "Mul"] } tune_ops_name：指定的算子名称，当前实现是支持全字匹配，可以指定一个，也可以指定多个，指定多个时需要用英文逗号分隔。 tune_ops_type：指定的算子类型，当前实现是支持全字匹配，可以指定一个，也可以指定多个，指定多个时需要用英文逗号分隔。如果有融合算子包括了该算子类型，则该融合算子也会被调优。 说明： 如上配置文件的内容必须放在"{}"中，tune_ops_type和tune_ops_name的配置内容必须放在"[]"中。 tune_ops_type和tune_ops_name可以同时存在，同时存在时取并集，也可以只存在某一个。

   【对于手工迁移的训练脚本】请按照如下方法修改：

   • 如果迁移后的训练脚本中使用了initialize_system接口，请按照如下方法使能AOE调优。

     npu_init = npu_ops.initialize_system()
     npu_shutdown = npu_ops.shutdown_system()
     config = tf.ConfigProto()
     ...
     custom_op.parameter_map["aoe_mode"].s = tf.compat.as_bytes("2")
     ...
     with tf.Session(config=config) as sess:
     
         sess.run(npu_init)
         #调用HCCL接口...
         #执行训练...
         sess.run(npu_shutdown)

   • 如果迁移后的训练脚本中没有使用initialize_system接口，请按照如下方法使能AOE调优。
     对于Estimator模式的训练脚本，通过NPURunConfig中的aoe_mode和work_path参数使能AOE调优：

     import tensorflow as tf
     from npu_bridge.npu_init import *
     
     session_config=tf.ConfigProto()
     config = NPURunConfig(session_config=session_config, aoe_mode="2")

     对于sess.run模式的训练脚本，通过session配置项aoe_mode和work_path使能AOE调优：

     import tensorflow as tf
     from npu_bridge.npu_init import *
     
     config = tf.ConfigProto()
     custom_op =  config.graph_options.rewrite_options.custom_optimizers.add()
     custom_op.name =  "NpuOptimizer"
     custom_op.parameter_map["aoe_mode"].s = tf.compat.as_bytes("2")
     config.graph_options.rewrite_options.remapping = RewriterConfig.OFF

   【对于工具迁移的训练脚本】请按照如下方法修改：

   • 如果迁移后的训练脚本中使用了“init_resource”，请按照如下方法使能AOE调优。

     if __name__ == '__main__':
     
       session_config = tf.ConfigProto()
       custom_op = session_config.graph_options.rewrite_options.custom_optimizers.add()
       custom_op.name = "NpuOptimizer"
       custom_op.parameter_map["aoe_mode"].s = tf.compat.as_bytes("2")
     
       (npu_sess, npu_shutdown) = init_resource(config=session_config)
       tf.app.run()
       shutdown_resource(npu_sess, npu_shutdown)
       close_session(npu_sess)

   • 如果迁移后的训练脚本没有使用“init_resource”，请按照如下方法使能AOE调优。
     对于Estimator模式的训练脚本：在迁移后的脚本中找到“npu_run_config_init”，配置调优参数：

     session_config = tf.ConfigProto(allow_soft_placement=True)
     custom_op = session_config.graph_options.rewrite_options.custom_optimizers.add()
     custom_op.name = 'NpuOptimizer'
     custom_op.parameter_map["aoe_mode"].s = tf.compat.as_bytes("2")
     run_config = tf.estimator.RunConfig(
         train_distribute=distribution_strategy,
         session_config=session_config,
         save_checkpoints_secs=60*60*24)
     
     classifier = tf.estimator.Estimator(
         model_fn=model_function, model_dir=flags_obj.model_dir, config=npu_run_config_init(run_config=run_config))

     如果脚本中的运行配置函数，例如RunConfig中没有传入session_config参数，需要自行传入session_config：

     session_config = tf.ConfigProto()
     custom_op = session_config.graph_options.rewrite_options.custom_optimizers.add()
     custom_op.name = 'NpuOptimizer'
     custom_op.parameter_map["aoe_mode"].s = tf.compat.as_bytes("2")
     run_config = tf.estimator.RunConfig(
         train_distribute=distribution_strategy,
         session_config=session_config,
         save_checkpoints_secs=60*60*24)
     
     classifier = tf.estimator.Estimator(
         model_fn=model_function, model_dir=flags_obj.model_dir, config=npu_run_config_init(run_config=run_config))

     对于sess.run模式的训练脚本：在脚本中找到“npu_config_proto”，并配置调优参数。

     1. 在脚本中找到“npu_config_proto”：

        with tf.Session(config=npu_config_proto()) as sess:
            sess.run(tf.global_variables_initializer())
            interaction_table.init.run()

     2. 配置调优参数：

        config_proto = tf.ConfigProto()
        custom_op = config_proto.graph_options.rewrite_options.custom_optimizers.add()
        custom_op.name = 'NpuOptimizer'
        custom_op.parameter_map["aoe_mode"].s = tf.compat.as_bytes("2")
        config = npu_config_proto(config_proto=config_proto)
        with tf.Session(config=config) as sess:
            sess.run(tf.global_variables_initializer())
            interaction_table.init.run()

3. 执行训练。