PyTorch 官方博客：PyTorch Profiler v1.9 详解

Profiler v1.9 的改进主要针对在运行时和/或内存上能耗最严重的执行步骤，同事将 GPU 和 CPU 之间的工作负载分配进行可视化。

Profiler v1.9 新增五个主要功能包括：

1、分布式训练视图： 这有助于你掌握分布式训练任务中，消耗的时间和内存。假设你有一个训练模型，当你要把负载分成 Worker 节点并行运行时，可能会像黑盒一样，出现各种各样的问题。模型整体的目标是提高训练速度。这个分布式训练视图有助于你诊断和调试单个节点内的问题。

2、内存视图： 借助该视图，你可以更好地了解内存使用情况。这个工具能显示程序在不同运行阶段的活动内存分配情况，从而帮助你避免 Out of Memory 错误的发生。

3、GPU 应用可视化： 该工具可以确保 GPU 得到充分利用。

4、云存储支持： Tensorboard 插件现在可以从Azure Blob Storage、Amazon S3和Google Cloud Platform 读取解析数据。

5、跳转源代码： 该功能支持堆栈跟踪信息可视化，并可以直接跳转至源代码。这有助于你根据分析结果快速优化和迭代代码。

PyTorch Profiler Colab 传送门

汉化版 Colab 传送门

Colab 内容一览：

• 准备数据和模型
• 使用 Profiler 记录执行事件
• 运行 Profiler
• 使用 TensorBoard 查看结果并分析模型性能
• 借助 Profiler 提高性能
• 使用其他高级功能分析性能

开始使用 PyTorch Profiling 工具

首先：

$ pip install torch-tb-profiler

import torch.profiler as profiler
With profiler.profile(XXXX)

备注： 关于 CUDA 和 CPU 的分析，详见 Here

with torch.profiler.profile( 
activities=[ 
torch.profiler.ProfilerActivity.CPU, 
torch.profiler.ProfilerActivity.CUDA],

• profiler.record_function("$NAME")：允许为函数区块添加装饰器 (decorator，指与名称相关的标签)。

• profiler.profile 下的 Profile_memory=True 参数，可以对 CPU 和 GPU 的内存占用情况进行分析。

对 PyTorch 模型性能进行可视化

### 分布式训练

深度学习的最新进展证明了大型数据集和大型模型的价值，这也意味着模型训练需要更多的计算资源。

分布式数据并行 (DDP) 和英伟达多卡通信框架 (NCCL) 是 PyTorch 中广泛采用的范式，用于加速深度学习训练。

在这个版本的 PyTorch Profiler 中，现已支持 NCCL 后端的 DDP。

计算/通信概览

在分布式训练视图中的「计算/通信概览」中，用户可以观察所有 Worker 之间「load balancer」节点的计算与通信比，这是按照颗粒度来衡量的。

load balancer 相关链接： Here)

情景 1:

如果一个 Worker 的计算和重叠时间，比其他 Worker 长，这可能表示工作负载均衡中存在问题，或有一个节点是 straggler。计算是 GPU 内核时间之和，减去重叠时间。重叠时间是指计算过程中，通过交错通信节省的时间。

重叠时间越长，表示计算和通信之间的并行性更好。理想状况下，计算和通信完全相互重叠。通信是总的通信时间减去重叠时间。

以下示例展示了这种情况在 Tensorboard 上的表现。

straggler 示例

情景 2:

如果批尺寸较小（即所有 Worker 上的计算都比较少），或需要传输的数据较大，那么计算通信比也可能较小，在 Profiler 中可以看到 GPU 利用率低，等待时间长。

用户可以根据这种计算/通信视图 review 代码，通过采用梯度累积来减少通信，或通过增加批尺寸来减少通信比例。DDP 通信时间取决于模型大小。批尺寸与模型大小无关。因此，增加批尺寸可以使计算时间更长、计算通信例更大。

### 同步/通信概览

在同步/通信视图中，用户可以观察通信效率。这是用步骤时间减去计算和通信时间得出来的。同步时间是等待并与其他 Worker 同步的总通信时间的一部分。同步/通信视图包括初始化、数据加载器、CPU计算等。

从该视图中可以得知：总通信量中真正用于交换数据的比例是多少，等待其他 Worker 提供数据的空置时间是多少。

例如，如果存在低效的工作负载均衡或 straggler 问题，就可以在同步/通信视图中发现。这个视图将展示一些 Worker 的等待时间比其他 Worker 长。

从上表可以得知每个节点中所有通信算子的详细统计数据。通过该表可以了解调用了哪些算子类型，每个算子被调用了多少次，每个算子所传输的数据大小是多少，等等。

### 内存视图

利用该工具，可以了解模型中算子的硬件资源消耗。了解算子层面的时间和内存消耗，有助于解决性能瓶颈问题，进而加快模型运行速度。鉴于 GPU 内存大小有限，优化内存使用效率有助于：

• 允许运行更大规模的模型，在终端级别的任务上表现更好。
• 允许更大的批尺寸，提高训练速度。

Profiler 记录了 Profiler 间隔期间的所有内存分配。选择「设备」就可以看到每个算子在 GPU 侧或主机侧的内存使用详情。

注意：必须启用 profile_memory=True 来生成以下内存数据。

相关链接： Here

With torch.profiler.profile(
Profiler_memory=True # this will take 1 – 2 minutes to complete. 
)

重要定义：

• 「Size Increase」显示所有分配字节的总和，减去所有内存释放字节。
• 「Allocation Size」显示不包括内存释放的所有分配字节的总和。
• 「Self」意味着分配的内存不是来自任何 child 算子，而是由算子自行分配的。

### 时间轴上的 GPU 指标

利用该功能，你可以在一个或多个 GPU 利用不充分时，轻松调试性能问题。理想情况下，你的程序应该有很高的 GPU 利用率（尽可能达到 100% 的 GPU 利用率），CPU 到 GPU 的通信成本最低，且没有功耗。

概述： 概述页面强调了三个重要的 GPU 使用指标 (即 GPU Utilization、Est. SM Efficiency 以及 Est. Achieved Occupancy) 在不同层面的结果。

从本质上讲，每个 GPU 都有很多 SM，每个 SM 都有很多 Warp，可以同时执行很多线程。Warp 执行 的线程多，是因为其数量取决于 GPU。从更高角度来看，时间轴上的 GPU 指标可以帮助开发者对整个堆栈有全局观，这非常重要。

如果 GPU 利用率很低，则表明模型有潜在问题。常见原因如下：

• 内核中的并行性不足，即批尺寸过小
• 在一个循环中调用小内核，即启动 overhead 没被摊销
• CPU 或 I/O 瓶颈导致工作内容不足，GPU 利用率低

在概览页面中，性能建议部分是一些可以提高 GPU 利用率的可行性建议。在这个例子中，GPU 利用率很低，所以性能建议是增加批尺寸。根据性能建议，将批尺寸从 4 增加到 32，使 GPU 利用率增加了 60.68%。

GPU 利用率： 在 Profiler 中，当 GPU 引擎执行一个工作负载时会出现一个步骤间隔时间 (step interval time)。利用率百分比越高越好。仅通过 GPU 利用率来判断性能瓶颈，结果并不准确。你无法借此得知到底有多少流处理器 (Streaming Multiprocessor) 在运行。

注意，虽然这个指标对检测空闲期很有帮助，但高数值并不代表 GPU 的利用率很高。如，一个单线程连续运行的内核，其 GPU 利用率将达到 100%。

预估流处理器效率 (Est. SM Efficiency) 是一个更细化的指标， 它表示在跟踪全过程中，正在使用的 SM 的百分比，代表 SM 上至少有一个活动 wrap 的 time 百分比，以及那些空闲 warp。

NVIDIA 文档： Here

Est. SM Efficiency 也有局限性。如每个区块只有一个线程的内核，无法完全利用所有 SM。只依据 SM Efficiency 无法得知每个 SM 的利用率，只能知道每个 SM 正在进行的操作，这包括等待内存加载结果时的停顿。

为了保持 SM 的高利用率，必须保证足够数量的 ready wrap，只要发生停滞就可以运行。

对于性能诊断问题而言，预估实现的占用率（Est. Achieved Occupancy）比 Est. SM Efficiency 和 GPU 利用率更准确。预估实现的占用率表明每个 SM 有多少 warp 可以同时活动。拥有数量足够多的活动 warp 通常是实现良好吞吐量的关键。与 GPU 利用率和 SM Efficiency 不同，让这个值尽可能高并不是终极目的。

从经验角度出发，通过将这个指标提高到 15% 或以上，可以获得良好的吞吐量收益。但在某些时候，也会遇到收益递减的情况。例如，如果该值已经达到 30%，接下来的收益就变得不确定了。这个指标展示了内核执行期间，所有 warp scheduler 的平均值

NVIDIA 文档： Here

Est. Achieve Occupancy 的值越大越好。

详细细节：Resnet50_batchsize4

详细细节：Resnet50_batchsize32

内核视图：内核有「Blocks per SM」和「Est. Achieved Occupancy」。

Est. Achieved Occupancy 是比较模型运行状况的有利工具。

每个 SM 的平均取块数 (Mean Blocks per SM)：

每 SM 的区块数量=该内核的区块数/该 GPU 的 SM 数。如果这个数字小于 1，表明 GPU 多处理器没有被完全利用。"Mean Blocks per SM "是这个内核 name 所有运行的加权平均值，使用每次运行的时长作为权重。

平均 Est. Achieved 占用率 (Mean Est. Achieved Occupancy：

Est. Achieved Occupancy 的定义与上述概述相同。Mean Est. Achieved Occupancy 是这个内核 name 所有运行的加权平均值，使用每次运行的持续时长作为权重。

跟踪视图：

跟踪视图显示的是一个时间线，表示模型中算子的持续时间，以及是哪个系统执行的操作。这个视图可以帮助你识别高消耗和长执行，是不是由于输入或模型训练引起的。目前，该跟踪视图可显示一个时间线内的 GPU 利用率和 Est. SM Efficiency。

上述例子中，「ProfilerStep5」在线程 28022 期间的 GPU 利用率比「Optimizer.step」期间要高。可以通过放大来查看相关原因。

从上图可知，前者的内核比后者长。后者的内核执行时间太短，导致 GPU 利用率降低。

Est. SM Efficiency： 每个内核都有一个计算出的EST. SM Efficiency，介于 0-100% 之间。例如，下面的内核只有 64 个区块，而这个 GPU 的 SM 为 80，则它的「Est. SM Efficiency」为 64/80，即 0.8。

### 云存储支持

运行 pip install tensorboard 后，为了通过云供应商读取数据，你可以运行：

torch-tb-profiler[blob] 
torch-tb-profiler[gs] 
torch-tb-profiler[s3]

借助 pip install torch-tb-profiler[blob], pip install torch-tb-profiler[gs]，或 pip install torch-tb-profiler[S3] 可以通过云服务商读取数据。

更多信息，请参考： Here

### 跳转至源代码

将 TensorBoard 和 PyTorch Profiler 直接集成到 Visual Studio Code (VS Code) 中的一大好处，就是能从 Profiler 的 stack trace 直接跳转至源代码（文件和行）。VS Code Python 扩展现已支持 TensorBoard 集成。

只有当 Tensorboard 在 VS Code 中运行时，跳转到源代码才可用。如果profiling with_stack=True，stack trace 就会出现在插件 UI上。点击 PyTorch Profiler 中的 stack trace，VS Code 就会打开相应的文件，并直接跳转到对应代码，以便进行调试。这样就可以根据分析结果和建议，迅速对代码进行优化和修改。

用 Visual Studio Code Plug In UI 跳转至源代码

关于如何优化批尺寸性能，请查看详细教程： Here

PyTorch Profiler 也可以与 PyTorch Lightning 集成，只需用 trainer.profiler=pytorch 来启动 lightning 训练任务即可生成 trace。

详细示例： Here

原文地址： Here