总体思路

在进行大模型调优前，需保证模型当前的shape与micro batch size为亲和数据，并在此基础上优先保证模型的内存占用是否合理。在确保模型shape亲和，且内存占用合理后可继续进行端到端的耗时调优。

1. 分析与选择合适的并行策略。
2. 配置profiling：设置性能分析工具，以获取基本的性能数据，包括操作时间、通信时间、调度时间和空闲时间。为了精确度和效率，建议仅收集一个step的数据，并确保一个step执行时间不会过长，可以通过控制micro batch的数量来实现。
3. 设备侧内存分析：通过内存profiling深入了解内存使用是否合理。利用节省的内存，可以尝试更高效的并行策略（例如去除重复计算等）或增加micro batch size，以获得更好的性能。
4. 调度性能分析与优化：分析host与device之间的调度配合，是否存在host bound或者局部host bound问题。通过调度性能优化来减少计算流中不必要的空闲。
5. 通信性能分析与优化：分析profiling中的通信算子的数据量、通信stream、通信时间和有效通信带宽，识别是否与host侧配合存在不适当的空闲，并进行相应的通信性能优化。
6. 算子性能分析：分析算子的profiling文件，查找非业务计算算子（例如非连续转连续、数据格式转换等）的耗时，并在前端训练代码中尽量减少非业务计算类算子。可以在cube算子、vector算子、通信、bubble等方面进行对比，以明确优化目标。
7. 算子深度优化：对于耗时占比高的算子，要确保它们充分利用了计算资源，并分析妨碍计算资源利用的原因。这可能需要与cube和vector算子工程师合作进行算子深度优化。
8. 算法优化：在大型模型的算法层面也可以进行优化，包括减少bubble、matmul算子与TP通信细粒度切分和流水等。

通过以上步骤，可以全面解决大型模型训练的容量、显存、速度和性能方面的问题，以获得更高效、稳定的训练过程。