整网数据比对

使用场景

排除以上问题后，在训练网络精度仍未达预期时，通过采集训练过程中各算子的运算结果（即Dump数据），然后和业界标准算子（如TensorFlow）运算结果进行数据偏差对比，快速定位到具体算子的精度问题。主要过程为：

前提条件

1. 已排除浮点异常问题，并关闭溢出检测开关。
2. 已排除融合异常问题，并恢复融合规则开关状态。

3. 已完成工具部署。

4. 整网数据比对前，需要先检查并去除训练脚本内部使用到的随机处理，避免由于输入数据不一致导致数据比对结果不可用。具体请参考训练脚本去随机处理。
5. 整网数据比对时，依赖CANN Toolkit软件包中的工具，因此需要准备CANN开发环境，即Toolkit安装环境。

基于GPU/CPU Dump标杆数据

• 在进行TensorFlow 2.x原始训练网络生成npy或dump数据前，要求有一套完整、可执行的标准TensorFlow模型训练工程。GPU训练环境准备可以参考在ECS上快速创建GPU训练环境，链接内容仅供参考，请以实际训练场景为准。
• 参见tfdbg_ascend工具的readme文档安装TensorFlow 2.x的debug工具tfdbg_ascend。
• 首先要把脚本中所有的随机全部关闭，包括但不限于对数据集的shuffle，参数的随机初始化，以及某些算子的隐形随机初始化（比如dense算子），确认自己脚本内所有参数均非随机初始化。

利用TensorFlow的debug工具tfdbg_ascend生成npy文件。详细的操作方法如下：

1. 修改tf训练脚本，在调起模型部分的训练脚本.py文件中修改配置。示例代码如下。

   样例一：

   1. 导入debug插件。

      1	import tfdbg_ascend as dbg

   2. 在每个step训练启动代码前配置如下代码，例如dump第5个step的数据。

      1 2 3 4

      tfdbg.disable() if current_step == 5: tfdbg.enable() tfdbg.set_dump_path('home/test/gpu_dump')

   样例二：

   1. 导入debug插件。

      1	import tfdbg_ascend as dbg

   2. 例如dump第4个step的数据。dbg.enable不配置时，dump功能默认开启；dump路径不指定时，dump文件默认保存在训练脚本所在路径下。

      1 2 3 4 5 6 7 8 9

      class DumpConfig(tf.keras.callbacks.Callback): def __init__(self): super().__init__() def on_batch_begin(self, batch, logs={}): if batch == 4: dbg.enable() dbg.set_dump_path("/user/name1/pip_pkg/dump4") else: dbg.disable()

   3. 注册回调函数（define callbacks ）。

      1 2 3 4 5 6 7 8 9 10

      # define callbacks callbacks = [ ModelCheckpoint( f'models/model_epochs-{epochs}_batch-{batch_size}_loss-{loss_function}_{Mask2FaceModel.get_datetime_string()}.h5'), LossHistory(batch_size), DumpConfig() ] # fit the model 调起模型的代码位置 history = self.model.fit(train_dataset, validation_data=valid_dataset, epochs=1, callbacks=callbacks, verbose=2)

2. 执行训练脚本，训练任务停止后，在指定目录下生成*.npy文件。
3. 检查生成的npy文件命名是否符合规则，如图1所示。
   

   • npy文件命名规则：{op_name}.{output_index}.{timestamp}.npy，其中op_name字段需满足“A-Za-z0-9_-”正则表达式规则，timestamp需满足[0-9]{1,255}正则表达式，output_index为0~9数字组成。
   • 如果因算子名较长，造成按命名规则生成的npy文件名超过255字符而产生文件名异常，这类算子不支持精度比对。
   图1 查询.npy文件
   

基于NPU Dump精度数据

以下操作在NPU训练环境执行。Dump数据前，需要注意的是：

一般情况下，dump首个step的数据用作后续比对分析即可，为了避免随机权重导致比对不准确的问题，可以在训练开始前保存ckpt，并在训练时加载。如果确定是某个step的精度问题，则建议加载最靠近异常步的ckpt文件。

1. 修改“precision_tool/lib/config”目录下的config.py文件，指定需要dump数据的step。

   1 2	# dump特定step的数据，一般对比分析dump首层即可，即保持默认值，如需指定特定step可以修改，例如 '0|5|10' TF_DUMP_STEP = '0'

2. 修改训练脚本，使能Dump数据采集。
   以下修改会同时生成Dump数据和Dump图，用于精度数据比对。

   1 2	import precision_tool.tf_config as npu_tf_config npu_tf_config.npu_device_dump_config(npu_device, action='dump')

   

   除了此种方式，您也可以参考《精度比对工具使用指南》的方法修改训练脚本，采集Dump数据，但配置较为复杂，且采集到数据之后，需要手工提取并放在相应目录下，用于后续数据分析。注意两种方式不能重复配置。

3. 执行训练，会在precision_data/npu/debug_0目录下分别保存GE的Dump图和Dump数据文件。

精度数据比对

精度数据分析依赖CANN Toolkit软件包中的atc工具和msaccucmp.py工具，以下操作需要在CANN开发环境，即Toolkit安装环境进行。

1. 将precision_tool和precision_data（包括标杆数据和NPU的精度数据）文件夹上传到Toolkit安装环境的任意目录下，目录结构示例：

   ├── precision_tool              
   │    ├── cli.py                   
   │    ├── ...
   ├── precision_data              
   │    ├── npu                   
   │    │    ├── debug_0  // 存放npu dump数据
   │    ├── tf
   │    │    ├── dump     // 存放标杆dump数据

2. 安装Python依赖。

   # graphviz为可选依赖，只有当需要绘制算子子图时才需要安装
   pip3 install rich graphviz
   # ubuntu/Debian
   sudo apt-get install graphviz
   # fedora/CentOS
   sudo yum install graphviz

3. 修改工具precision_tool/lib/config目录下的config.py。

   # 依赖Toolkit包中的atc和msaccucmp.py工具，配置为Toolkit包安装目录
   # 默认Toolkit包安装在/usr/local/Ascend，可以不用修改，指定目录安装则需要修改
   CMD_ROOT_PATH = '/usr/local/Ascend'

4. 启动PrecisionTool交互命令行。

   python3 ./precision_tool/cli.py

   进入交互命令行界面：

   PrecisionTool >

5. 执行ac -l [limit_num] (-c)命令进行整网精度比对。

   PrecisionTool > ac -c

   根据数据量大小，比对过程需要时间不同。

   对比结果会以csv的格式存放在precision_data/temp/vector_compare目录中：

   

   您可以直接打开csv文件进行分析，具体请参考整网精度比对结果文件说明。

6. 除了直接打开csv文件进行精度分析外，您也可以使用vcs -f [file_name] -c [cos_sim_threshold] -l [limit]命令筛选比对结果。

   vcs命令默认筛选余弦相似度小于0.98的结果，您也可以通过-c参数自定义阈值：

   

   • Left：表示基于NPU运行生成的dump数据的算子名。
   • Right：表示基于GPU/CPU运行生成的npy或dump数据的算子名。
   • Input和Output：表示该算子各输入输出的余弦相似度算法比对结果，范围是[-1,1]，比对的结果如果越接近1，表示两者的值越相近，越接近-1意味着两者的值越相反。

   从上图的比对结果可以看到，算子的输入基本一致，但第一个输出与标杆存在明显差异（余弦相似度为0.806927，小于0.98），说明该算子可能存在精度问题。

   

   当出现多个算子精度问题时，会出现N个异常算子信息，默认按照算子执行顺序排序，由于后面算子精度问题可能是因为前一个算子精度问题导致，建议用户优先分析第一个异常算子。

7. 执行ni (-n) [op_name] -s [save sub graph deep]命令，可以查询异常算子的节点信息。

   

   ni命令可以根据传入的算子名称，得到如下关键信息：

   1. 算子类型，以上图为例，算子类型为Add。

      另外，PassName表示该算子为融合算子，对应值表示融合规则名称，OriginOp为融合前的算子，表明是由于算子融合导致精度问题。正常情况下，融合问题应该在浮点异常检测阶段解决。

   2. 自动解析Dump数据，打印Dump数据的基础信息（max/min/mean）。
   3. 如果传入-s，则会保存一个以当前算子为中心，指定深度的子图结构，例如：

      

分析思路参考

整网数据比对提供了一个全网Dump数据与TF标杆数据的逐层累计比对报表，由于整网数据由于硬件差异本身是存在一定给误差的，且误差会随着层数增多而累计，即便精度正常的网络数值上也会存在细微误差，一般采用余弦相似度做初步的可疑算子筛选（注意：余弦相似度较高也不一定说明没有问题，但较低一般代表可能存在问题），精度对比结果可以给出一个大致的分析方向。

1. 根据算子类型，可以判断该算子是否为用户自定义算子：
   • 对于自定义算子，一般由用户自行分析算子的实现逻辑是否与标杆一致，可以ni命令提供的算子参数信息，以及dump数据进行单算子分析。
   • 对于CANN内置算子，如果算子输入或输出类型为float16，则可以切换算子类型至float32计算，用户可以尝试以下两种方法：
     1. （推荐）方法一：通过性能调优的modify_mixlist修改混合精度模式算子黑白灰名单，调整算子精度模式。
     2. 方法二：通过npu.keep_dtype_scope接口，指定哪些算子保持原有精度。

        1 2 3

        import npu_device as npu with npu.keep_dtype_scope(): v = tf.add(1, 1)

2. 如果依旧无法解决，欢迎到昇腾社区提issue求助。