Profila carichi di lavoro XLA PyTorch
La profilazione è un modo per analizzare e migliorare le prestazioni dei modelli. Sebbene ci sia molto di più, a volte può essere utile considerare la profilazione come operazioni di temporizzazione e parti del codice che vengono eseguite 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 le 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
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 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 maggiori informazioni sui tipi di acceleratori supportati per ogni versione di TPU, consulta Versioni TPU.
version
- La versione del runtime di Cloud TPU. Nella variabile esportata viene mostrato un valore predefinito, ma puoi anche utilizzarne uno dall'elenco delle configurazioni supportate.
Avvia le risorse TPU
$ gcloud compute tpus tpu-vm create ${TPU_NAME} \ --zone us-central2-b \ --accelerator-type ${ACCELERATOR_TYPE} \ --version ${RUNTIME_VERSION} \ --project $PROJECT_ID \ --subnetwork=tpusubnet
Sposta il codice nella tua home directory sulla VM TPU utilizzando il comando
gcloud scp
. Ad esempio:$ gcloud compute tpus tpu-vm scp my-code-file ${TPU_NAME}: --zone ${ZONE}
Profilazione
Un profilo può essere acquisito manualmente tramite capture_profile.py
o
in modo programmatico all'interno dello script di addestramento utilizzando le
API torch_xla.debug.profiler
.
Avvio del server del profilo
Per acquisire un profilo, è necessario che un server di profilo sia in esecuzione all'interno dello script di addestramento. Avvia un server con un numero di porta a tua scelta, ad esempio 9012
, come mostrato nel seguente comando.
import torch_xla.debug.profiler as xp server = xp.start_server(9012)
Il server può essere avviato direttamente all'inizio della funzione main
.
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 profilare anche le operazioni sulla macchina host, puoi aggiungere xp.StepTrace
o xp.Trace
nel codice. Queste funzioni tracciano il codice Python
sulla macchina host.
È un po' come misurare il tempo necessario per eseguire il codice Python sull'host (CPU) prima di passare il "grafo" al dispositivo TPU. quindi è soprattutto utile per analizzare l'overhead di tracciamento). Puoi aggiungerlo all'interno del loop di addestramento, dove 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 = ...
Se utilizzi Lighting, puoi saltare l'aggiunta di tracce poiché l'operazione viene eseguita automaticamente in alcune parti del codice. Tuttavia, se vuoi aggiungere altre tracce, puoi inserirle all'interno del loop di addestramento.
Dopo la compilazione iniziale, potrai acquisire l'attività del dispositivo e attendere che il modello inizi i passaggi di addestramento o inferenza.
Acquisizione manuale
Lo script capture_profile.py
del repository XLA Pytorch
consente di acquisire rapidamente un profilo. Puoi eseguire questa operazione copiando il file del profilo di acquisizione direttamente nella 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/
impostando la posizione e il nome che preferisci. È anche possibile salvare direttamente
nel bucket Cloud Storage. Per farlo, imposta logdir
su gs://your_bucket_name/
.
Acquisizione programmatica
Anziché acquisire il profilo manualmente attivando uno script, puoi configurare lo script di addestramento in modo che attivi automaticamente un profilo utilizzando l'API torch_xla.debug.profiler.trace_detached all'interno dello script di addestramento.
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 le variabili di ambiente PROFILE_STEP
, PROFILE_EPOCH
e PROFILE_LOGDIR
:
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 dalla variabile di ambiente PROFILE_LOGDIR
.
Analisi in TensorBoard
Per analizzare ulteriormente i profili, puoi utilizzare TensorBoard
con il plug-in TPU TensorBoard
sulla stessa macchina 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 su quella macchina in ~/profiles/
). Se hai archiviato i 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
(vm)$ pip uninstall tensorflow tf-nightly tensorboard tb-nightly tbp-nightly
Esecuzione di TensorBoard
Nel browser locale, vai all'indirizzo:
http://localhost:6006/
e scegli PROFILE
dal menu a discesa per caricare i tuoi profili.
Consulta la pagina Strumenti TPU per informazioni sugli strumenti TensorBoard e su come interpretare l'output.