Profila carichi di lavoro XLA PyTorch

La profilazione è un modo per analizzare e migliorare le prestazioni dei modelli. Sebbene c'è molto altro, a volte può essere d'aiuto pensare alla profilazione come ai tempi operazioni e parti di codice in esecuzione su dispositivi (TPU) e host (CPU). Questa guida fornisce una rapida panoramica su come profilare il codice per l'addestramento o l'inferenza. Per ulteriori informazioni su come analizzare i profili generati, consulta alle seguenti guide.

• Debug delle prestazioni di PyTorch XLA sulle VM TPU - Parte 1
• Debug delle prestazioni di PyTorch XLA sulle VM TPU - Parte 2
• Debug delle prestazioni di PyTorch XLA sulle VM TPU - parte 3

Inizia

Crea una TPU

1. Esporta le variabili di ambiente:

   $ export TPU_NAME=your_tpu_name
   $ export ZONE=us-central2-b
   $ export PROJECT_ID=project-id
   $ export ACCELERATOR_TYPE=v4-8
   $ export RUNTIME_VERSION=tpu-vm-v4-pt-2.0
   

   Esporta descrizioni variabili

   TPU name

   Il nome che vuoi utilizzare per Cloud TPU.

   zone

   La zona in cui prevedi di creare la tua Cloud TPU.

   project ID

   L'ID progetto che usi per addestrare e profilare il modello.

   accelerator-type

   Il tipo di acceleratore specifica la versione e le dimensioni della Cloud TPU che vuoi creare. Per ulteriori informazioni sui tipi di acceleratori supportati per ogni versione di TPU, vedi Versioni TPU.

   version

   La versione del runtime di Cloud TPU. Nel file esportato viene mostrato un valore predefinito ma puoi anche utilizzarne una dall'elenco configurazioni supportate.

2. Avvia le risorse TPU

   $ gcloud compute tpus tpu-vm create ${TPU_NAME} \
   --zone us-central2-b \
   --accelerator-type ${ACCELERATOR_TYPE} \
   --version ${RUNTIME_VERSION} \
   --project $PROJECT_ID \
   --subnetwork=tpusubnet
   

3. Sposta il codice nella home directory sulla VM TPU utilizzando Comando gcloud scp. Ad esempio:

   $ gcloud compute tpus tpu-vm scp my-code-file ${TPU_NAME}: --zone ${ZONE}
   

Profilazione

Nota: la versione 4-8 include quattro dispositivi TPU. Ogni worker profila un solo dispositivo TPU dei 4 dispositivi disponibili. La profilazione dei 4 dispositivi TPU per ogni worker sarà supportata a breve.

È possibile acquisire manualmente un profilo tramite capture_profile.py oppure in modo programmatico dallo script di addestramento torch_xla.debug.profiler API.

Avvio del server del profilo

Per acquisire un profilo, è necessario che un server di profilo sia in esecuzione all'interno script di addestramento. Avvia un server con un numero di porta a tua scelta, ad esempio 9012 come mostrato nel seguente comando.

Nota: puoi fare riferimento a questa script di esempio che include i passaggi seguenti.

import torch_xla.debug.profiler as xp
server = xp.start_server(9012)

Il server può essere avviato direttamente all'inizio della funzione main.

Nota: se utilizzi la Lightning invece di avviare un server, passa profiler="xla" al modulo trainer, e avvierà automaticamente il server alla porta 9012.

Ora puoi acquisire profili come descritto nella sezione seguente. Lo script profila tutto ciò che accade su un dispositivo TPU.

Aggiunta di tracce

Se vuoi sapere anche alle operazioni del profilo sulla macchina host, puoi aggiungere xp.StepTrace xp.Trace nel codice. Queste funzioni tracciano il codice Python della macchina host. Questo è un po' come misurare il tempo necessario per eseguire sull'host (CPU) prima di passare il "grafico" al dispositivo TPU. quindi è soprattutto utile per analizzare l'overhead di tracciamento). Puoi aggiungerlo all'interno del loop di addestramento in cui il codice elabora batch di dati, ad esempio

for step, batch in enumerate(train_dataloader):
    with xp.StepTrace('Training_step', step_num=step): 
       ...

o aggregare singole parti del codice

 with xp.Trace('loss'): 
    loss = ...

Importante: evita di aggregare xm.mark_step() con xp.Trace. Il codice l'arresto anomalo in questo caso con un messaggio di errore simile a: "RuntimeError: Expecting scope to be empty but it is train_loop." xp.StepTrace non avrà questo problema poiché aggiunge automaticamente xm.mark_step() quando esci dall'ambito. Inoltre, potresti ricevere questo errore quando utilizzerai torchdynamo perché torchdynamo potrebbe richiamare internamente xm.mark_step. La soluzione alternativa attuale non è utilizzare xp.Trace.

Se utilizzi Illuminazione, puoi saltare l'aggiunta di tracce perché l'operazione viene eseguita automaticamente in alcune parti del codice. Tuttavia, se vuoi aggiungere altre tracce, a inserirli nel loop di addestramento.

Potrai acquisire l'attività del dispositivo dopo la compilazione iniziale. attesa finché il modello non inizia i passaggi di addestramento o inferenza.

Acquisizione manuale

Lo script capture_profile.py del repository Pytorch XLA consente di acquisire rapidamente un profilo. È possibile farlo copiando file del profilo di acquisizione direttamente sulla VM TPU. Il comando seguente lo copia nella home directory.

$ gcloud compute tpus tpu-vm ssh ${TPU_NAME} \
--zone us-central2-b \
--worker=all \
--command="wget https://raw.githubusercontent.com/pytorch/xla/master/scripts/capture_profile.py"

Durante l'addestramento, esegui il comando seguente per acquisire un profilo:

$ gcloud compute tpus tpu-vm ssh ${TPU_NAME} \
--zone us-central2-b \
--worker=all \
--command="python3 capture_profile.py --service_addr "localhost:9012" --logdir ~/profiles/ --duration_ms 2000"

Questo comando salva .xplane.pb file in logdir. Puoi modificare la directory di logging ~/profiles/ al nome e alla posizione che preferisci. È inoltre possibile salvare direttamente nel bucket Cloud Storage. Per farlo, imposta logdir in modo che sia gs://your_bucket_name/.

Acquisizione programmatica

Anziché acquisire il profilo manualmente attivando uno script, puoi configurare lo script di addestramento per attivare automaticamente un profilo mediante il comando torch_xla.debug.profiler.trace_detached. all'API Cloud Storage all'interno dello script di addestramento.

Nota: l'API trace_detached è disponibile solo in build notturne o dopo le ore la release 2.2. Per acquisire in modo programmatico le versioni precedenti di torch_xla, puoi copiare il corpo del metodo per creare il thread di acquisizione dello sfondo direttamente.

Ad esempio, per acquisire automaticamente un profilo in un'epoca e in un passaggio specifici, puoi configurare lo script di addestramento in modo che utilizzi PROFILE_STEP, Ambiente PROFILE_EPOCH e PROFILE_LOGDIR variabili:

import os
import torch_xla.debug.profiler as xp

# Within the training script, read the step and epoch to profile from the
# environment.
profile_step = int(os.environ.get('PROFILE_STEP', -1))
profile_epoch = int(os.environ.get('PROFILE_EPOCH', -1))
...

for epoch in range(num_epoch):
   ...
   for step, data in enumerate(epoch_dataloader):
      if epoch == profile_epoch and step == profile_step:
         profile_logdir = os.environ['PROFILE_LOGDIR']
         # Use trace_detached to capture the profile from a background thread
         xp.trace_detached('localhost:9012', profile_logdir)
      ...

I file .xplane.pb verranno salvati nella directory specificata Variabile di ambiente PROFILE_LOGDIR.

Analisi in TensorBoard

Per analizzare ulteriormente i profili, puoi utilizzare TensorBoard. con il plug-in TPU TensorBoard
sullo stesso computer o su un'altra macchina (consigliato).

Per eseguire TensorBoard su una macchina remota, connettiti mediante SSH e abilita il port forwarding. Ad esempio,

$ ssh -L 6006:localhost:6006 remote server address

o

$ gcloud compute tpus tpu-vm ssh $TPU_NAME --zone=$ZONE --ssh-flag="-4 -L 6006:localhost:6006"

Sul computer remoto, installa i pacchetti richiesti e avvia TensorBoard (supponendo che tu abbia profili sulla macchina in ~/profiles/). Se hai archiviato nei profili in un'altra directory o in un bucket Cloud Storage, assicurati di specificare correttamente i percorsi, ad esempio gs://your_bucket_name/profiles.

(vm)$ pip install tensorflow-cpu tensorboard-plugin-profile 

(vm)$ tensorboard --logdir ~/profiles/ --port 6006

Nota: è importante avere .xplane file nella stessa struttura nidificata che viene generato quando acquisisci un profilo. Ad esempio: ~/profiles/plugins/profile/2023_04_10_21_40_22/localhost_9012.xplane.pb

Nota :se ricevi "plug-in duplicati" potrebbe essere dovuto al fatto più pacchetti con TensorBoard. Disinstalla tutti i pacchetti ed esegui di nuovo pip install. Ad esempio, potresti dover eseguire:

(vm)$ pip uninstall tensorflow tf-nightly tensorboard tb-nightly tbp-nightly

Esecuzione di TensorBoard

Nel browser locale vai a: http://localhost:6006/ e scegli PROFILE dal menu a discesa per caricare i tuoi profili.

Consulta la sezione Strumenti TPU per informazioni sulle gli strumenti TensorBoard e su come interpretare l'output.