AOE简介
AOE
AOE(Ascend Optimization Engine)是一款自动调优工具,作用是充分利用有限的硬件资源,以满足算子和整网的性能要求。
AOE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。
![](/doc_center/source/zh/canncommercial/63RC2/devtools/auxiliarydevtool/figure/zh-cn_image_0000001655697569.png)
- Application层:调优入口,支持如下。
- AOE:这里的AOE表示AOE进程,用于离线推理场景下调优,使用方法请参考离线推理场景下调优(其他推理设备)。以下章节提到的AOE均指AOE进程。
- TFAdapter(TensorFlow Adapter):TensorFlow训练场景下调优和在线推理场景下调优,使用方法请参考TensorFlow训练场景下在线调优和在线推理场景下调优。
- PyTorchAdapter(PyTorch Adapter):PyTorch训练场景下调优,使用方法请参考PyTorch训练场景下调优。
仅Atlas 训练系列产品和Atlas A2训练系列产品场景下,支持TensorFlow训练场景下调优和PyTorch训练场景下调优。
- Tuning层:调优模式,支持以下类型。
- 子图调优:通过SGAT(SubGraph Auto Tuning)对子图切分策略进行调优,在运行环境上验证获得真实性能,最终将最优的调优策略固化至模型知识库,并获取优化后的模型。
- 算子调优:通过OPAT(Operator Auto Tuning)对算子进行调优,在运行环境上验证获取真实性能,最终将优选算子调优策略固化到算子知识库。
- 梯度调优:通过GDAT(Gradient Auto Tuning)对梯度allreduce融合策略进行调优,在运行环境上验证获取真实性能,最终得到优选梯度allreduce算子融合策略。
推荐先进行子图调优,再进行算子调优。原因是:先进行子图调优会生成图的切分方式,子图调优后算子已经被切分成最终的shape了,再进行算子调优,会基于这个最终shape去做算子调优。如果优先算子调优,这时调优的算子shape不是最终切分后的算子shape,不符合实际使用场景。
- Execute层:为执行层,支持编译(Compiler)和在运行环境上运行(Runner)。
SGAT简介
SGAT是一种提升子图性能的优化器。一张完整的网络,会被拆分成多个子图。针对每一个子图,通过SGAT生成不同的调优策略。SGAT的调优算法通过获取每个迭代的调优策略性能数据,找到最优的调优策略,从而实现对应子图的最优性能。调优的结果会通过图知识库的形式进行保存。
整个SGAT调优过程支持断点恢复模式,能够在调优异常时,恢复断点继续进行调优。
子图调优的流程如图2所示。
OPAT简介
OPAT是一种提升算子性能的优化器。AOE将一张整图输入给OPAT,OPAT内部进行算子融合,将融合得到的图进行算子粒度切分,针对每一个融合算子子图生成不同的算子调优策略,从而实现最优的算子性能,并将得到的最优策略保存在算子知识库。
AOE当前版本仅支持使用DSL接口实现计算逻辑的AI Core算子的自动调优,支持的算子请参见算子列表。
算子调优的流程如图3所示。
GDAT简介
GDAT是通过最大化反向计算与梯度聚合通信并行度,缩短通信拖尾时间的优化工具。分布式训练场景下,各个设备之间计算梯度后执行梯度聚合操作,梯度聚合算子的融合策略会影响反向计算结束后的通信拖尾时间,从而影响集群训练的性能和线性度。 一个较优的梯度数据切分原则为:尽可能使拖尾时间最短。
梯度调优的流程如图4所示。