TensorFlow训练/在线推理场景性能分析

前提条件

• 请确保完成使用前准备。
• 训练脚本在昇腾AI处理器上执行成功。

采集、解析并导出性能数据

1. 修改训练脚本，开启性能数据采集开关。

   以TensorFlow 1.15 session_run模式的脚本为例。

   通过session配置项profiling_mode、profiling_options开启Profiling数据采集，代码示例如下：

   custom_op = config.graph_options.rewrite_options.custom_optimizers.add()
   custom_op.name = "NpuOptimizer"
   custom_op.parameter_map["use_off_line"].b = True
   # 开启性能数据采集
   custom_op.parameter_map["profiling_mode"].b = True
   # 性能数据采集项
   # output为采集结果输出路径
   # task_trace：是否采集任务轨迹数据
   # training_trace：是否采集迭代轨迹数据，采集迭代轨迹数据依赖fp_point（训练网络迭代轨迹正向算子的开始位置）和bp_point（反向算子的结束位置），可直接配置为空，由系统自动获取，采集异常时需要手工配置。
   custom_op.parameter_map["profiling_options"].s = tf.compat.as_bytes('{"output":"/home/HwHiAiUser/profiling_output","training_trace":"on","task_trace":"on","fp_point":"","bp_point":"","aic_metrics":"PipeUtilization"}') 
   config.graph_options.rewrite_options.remapping = RewriterConfig.OFF #关闭remap开关
   with tf.Session(config=config) as sess:
       sess.run()

   

   • 以上为最基本的采集项，如有其他采集需求，请参见使用TensorFlow框架接口采集。
   • Estimator和Keras脚本修改方式略有不同，手工迁移脚本和自动迁移脚本修改方式也略有不同，请参见使用TensorFlow框架接口采集。
2. 重新执行训练脚本，将在训练过程中采集性能数据。

   训练结束后，在output参数指定的目录下生成PROF_XXX文件夹用于存放采集到的原始性能数据，该数据需要经过msprof解析工具的解析才可查看。

3. 执行msprof命令解析并导出性能数据。

   msprof --export=on --output=/home/HwHiAiUser/profiling_output/PROF_XXX

   其中“--output”为采集性能数据时设置的存储Profiling数据文件的路径。

   命令执行完成后，在output指定的目录下生成PROF_XXX目录，存放采集并自动解析后的性能数据，目录结构如下所示（仅展示性能数据）。

   ├── device_{id}
   │    └── data
   └── mindstudio_profiler_output
         ├── msprof_{timestamp}.json
         ├── step_trace_{timestamp}.json
         ├── xx_*.csv
          ...
         └── README.txt

4. 进入mindstudio_profiler_output目录，查看性能数据文件。

   默认情况下采集到的文件如表1所示。

   表1 msprof默认配置采集的性能数据文件

   文件名	说明
   msprof_*.json	timeline数据总表。
   step_trace_*.json	迭代轨迹数据，每轮迭代的耗时。单算子场景下无此性能数据文件。
   op_summary_*.csv	AI Core和AI CPU算子数据。
   op_statistic _*.csv	AI Core和AI CPU算子调用次数及耗时统计。
   step_trace_*.csv	迭代轨迹数据。单算子场景下无此性能数据文件。
   task_time_*.csv	Task Scheduler任务调度信息。
   fusion_op_*.csv	模型中算子融合前后信息。单算子场景下无此性能数据文件。
   api_statistic_*.csv	用于统计CANN层的API执行耗时信息。
   prof_rule_0_*.json	调优建议。
   注：“*”表示{timestamp}时间戳。

   • json文件需要在Chrome浏览器中输入chrome://tracing，将文件拖到空白处进行打开，通过键盘上的快捷键（w：放大，s：缩小，a：左移，d：右移）。通过该文件可查看当前AI任务运行的时序信息，比如运行过程中接口调用时间线，如图1所示。
     图1 查看json文件
     
   • csv文件可直接打开查看。通过该文件可以看到AI任务运行时的软硬件数据，比如各算子在AI处理器软硬件上的运行耗时，通过字段排序等可以快速找出需要的信息，如图2所示。
     图2 查看csv文件
     

性能分析

从上文我们可以看到，性能数据文件较多，分析方法也较灵活，以下介绍几个重要文件及分析方法。

• 通过step_trace_*.csv文件分析迭代轨迹数据信息，该文件记录了每轮迭代的耗时时间。

  

  主要字段为：

  • Iteration Time：一轮迭代的计算时间，主要包含FP/BP和Grad Refresh两个阶段的时间。
  • FP to BP Time：网络正向传播和反向传播的计算时间。
  • Grad Refresh Bound：梯度更新时间。
  • Data Aug Bound：两个相邻Iteration Time的间隔时间。
• 通过op_statistic_*.csv文件分析各类算子的调用总时间、总次数等，排查是否某类算子总耗时较长，进而分析这类算子是否有优化空间。
  图3 op_statistic_*.csv文件示例
  

  可以按照Total Time排序，找出哪类算子耗时较长。

• 通过op_summary_*.csv文件分析具体某个算子的信息和耗时情况，从而找出高耗时算子，进而分析该算子是否有优化空间。
  图4 op_summary*.csv文件示例
  

  Task Duration字段为算子耗时信息，可以按照Task Duration排序，找出高耗时算子；也可以按照Task Type排序，查看不同核（AI CORE和AI CPU等）上运行的高耗时算子。