Profila carichi di lavoro XLA PyTorch

La profilazione è un modo per analizzare e migliorare le prestazioni dei modelli. Anche se c'è molto di più, a volte può essere utile pensare al profiling come al temporizzazione delle operazioni e delle parti di codice che vengono eseguite sia sui dispositivi (TPU) sia sugli host (CPU). Questa guida fornisce una rapida panoramica di come eseguire il profiling del codice per l'addestramento o l'inferenza. Per maggiori 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 su VM TPU - parte 2
• Debug delle prestazioni di PyTorch XLA su 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 utilizzi 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, consulta Versioni di TPU.

   version

   La versione del runtime Cloud TPU. Nella variabile esportata viene mostrato un valore predefinito, ma puoi anche utilizzarne uno dall'elenco delle configurazioni supportate.

2. Lancia 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: una versione v4-8 include 4 dispositivi TPU. Ogni worker profila un solo dispositivo TPU dei 4 dispositivi disponibili. A breve sarà supportato il profiling di tutti e quattro i dispositivi TPU per ogni utente.

Un profilo può essere acquisito manualmente tramite capture_profile.py o in modo programmatico dallo 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 script di addestramento. Avvia un server con un numero di porta a tua scelta, ad esempio9012 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 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 sulla macchina ospitante. Puoi considerare questo valore come 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 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 racchiudere xm.mark_step() tra 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 Lighting, puoi saltare l'aggiunta delle tracce perché 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. Attendi fino a quando il modello non avvia i passaggi di addestramento o di 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 i file .xplane.pb 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 in modo che attivi automaticamente un profilo utilizzando l'API torch_xla.debug.profiler.trace_detached all'interno dello script di addestramento.

Nota: l'API trace_detached è disponibile solo nelle build notturne o dopo la release 2.2. Per eseguire l'acquisizione tramite programmazione nelle versioni precedenti di torch_xla, puoi copiare il corpo del metodo per creare direttamente il thread di acquisizione in background.

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 utilizzando SSH e attiva 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"

Sulla macchina remota, installa i pacchetti richiesti e avvia TensorBoard (supponendo che tu abbia profili sulla macchina in ~/profiles/). Se hai archiviato i profili in un'altra directory o in un bucket Cloud Storage, assicurati di specificare i percorsi correttamente, 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 file .xplane nella stessa struttura nidificata che viene generata 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 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.