Profiler设计文档

Linux Ascend GPU 模型开发 模型调优 框架开发 中级 高级 贡献者

查看源文件

背景

为了支持用户在MindSpore进行模型开发性能调试,需要提供易用的Profile工具,直观地展现网络模型各维度的性能信息,为用户提供易用、丰富的性能分析功能,帮助用户快速定位网络中性能问题。

Profiler架构设计

这一章将介绍Profiler的架构设计,第一节从整体Profiler的角度出发介绍其上下文交互关系,第二节将打开Profiler内部,介绍模块层架结构以及模块划分,第三节将介绍模块间的交互调用关系。

上下文

Profiler是MindSpore调试调优工具的一部分,在整个使用过程中的上下文环境如下图所示:

context_profiler.png

图1:上下文关系图

如上图所示,Profiler与其他部分的交互包括:

  1. 在训练脚本中调用MindSpore的Profiler向MindSpore的ada通信模块发送启动收集性能数据的命令,最终由ada生成性能原始数据;

  2. MindSpore侧Profiler将在用户脚本中对原始数据进行解析,并在用户指定的文件夹下面生成中间数据结果;

  3. Mindinsight侧Profiler对接中间数据,提供可视化Profiler功能供用户使用。

模块层级结构

模块层级划分如下:

module_profiler.png

图2:层级模块关系图

如上图所示,各个模块功能介绍如下:

  1. ProfilerAPI是代码侧对用户提供的调用入口,为用户提供了性能收集启动接口以及分析接口;

  2. Controller是ProfilerAPI下层的模块,被ProfilerAPI中的启动接口调用,负责控制下方性能收集功能的启动停止,原始数据会被ada写入固定位置;

  3. Parser是性能原始数据解析模块,由于性能原始数据是在设备侧收集的信息,所以信息不能直接被用户所理解,该模块负责将信息进行解析、组合、转换,最终形成用户可理解、上层可分析的中间结果;

  4. Analyser获取下层Parser解析出的中间结果,负责对中间结果的封装、筛选、排序,最终按照信息分类,返回各个类别对应的信息,提供给上层的表现层Profiler API、RESTful使用;

  5. 通过RESTful调用后端Analyser提供的common API,获取目标数据,以RESTful接口对接前端。

内部模块交互

从用户角度,有两种使用形式API、RESTful,我们以API为例,阐述一个完整的内部模块交互流程:

time_order_profiler.png

图3:模块交互图

如上图所示,各个模块交互流程如下:

  1. ProfilerAPI会调用下层Controller的控制函数,控制下层收集模块进行收集,目前收集模块(ada)是以常驻进程的方式接受命令,并独立工作收集性能信息的;

  2. 用户在训练结束后会调用ProfilerAPI的分析接口;

  3. Profiler API分析接口首先使用Parser模块对性能数据进行解析,产生中间结果,再调用Aalayser进行中间结果分析,最终将各类信息返回至用户侧。

子模块设计

ProfilerAPI和Controller

ProfilerAPI和Controller模块说明

ProfilerAPI为用户在训练脚本侧提供入口API,用户通过ProfilerAPI启动性能收集以及对性能数据进行分析。 ProfilerAPI通过Controller下发命令,完成对ada启动的控制。

ProfilerAPI和Controller模块设计

ProfilerAPI模块,属于上层应用接口层,由训练脚本集成。功能分为两部分:

  • 训练前调用底层Controller接口,下发命令,启动profiling统计任务。

  • 训练完成后,调用底层Controller接口,下发命令,停止性能统计任务,再调用Analyser、Parser模块接口解析数据文件,生成算子性能统计、training trace统计等结果数据。

Controller模块提供对上层接口,并调用底层性能收集模块接口,下发启动和停止性能收集的命令。

最终生成的性能原始数据主要包含:

  • hwts.log.data.45.dev.profiler_default_tag文件:存储算子执行信息,包括task的开始/结束,stream id的信息等;

  • DATA_PREPROCESS.dev.AICPU文件:AI CPU算子的执行各阶段的执行时间信息;

  • Framework.host.task_desc_info文件:存储算子id与算子名称的对应关系,以及每个算子的输入输出信息;

  • training_trace.46.dev.profiler_default_tag文件:存储每个step的开始结束时刻,迭代间隙、迭代前向反向、迭代拖尾的时刻信息。

Parser

Parser模块介绍

Parser是原始性能数据解析模块,由于原始性能数据是在设备侧收集的信息,所以信息不能直接被用户所理解,该模块负责将信息进行解析、组合、转换,最终形成用户可理解、上层可分析的中间结果。

Parser模块设计

parser_module_profiler.png

图4:Parser模块图

如上图所示,Parser模块主要由HWTS Parser、AI CPU Parser、Framework Parser、Training Trace Parser组成,每个模块对应解析一种原始数据,通过解析原始数据得到用户能读懂的中间文件。

  • HWTS Parser:解析hwts.log.data.45.dev.profiler_default_tag文件,获得Device基于task的统计信息,如每个task的开始/结束,stream id等数据,用于算子执行时间的计算。

  • AI CPU Parser:解析DATA_PREPROCESS.dev.AICPU文件,获得AI CPU算子的执行各阶段的执行时间信息。

  • Framework Parser:解析Framework.host.task_desc_info文件,用于获取AI Core算子与task的对应关系,算子关键信息等内容。

  • Training Trace Parser:解析training_trace.46.dev.profiler_default_tag文件,用于分析训练各阶段的时间。

Analyser

Analyser模块介绍

分析器的作用是对解析阶段生成的中间结果,进行筛选、排序、查询、分页等相关操作。

Analyser模块设计

该模块负责解析Parser生成的中间文件,为上层数据分析提供通用接口,将分析后的数据返回给上层展示给用户,由于各种中间文件有一定的共同点,可以抽象出公共内容,所以Analyser类设计如下图所示:

analyser_class_profiler.png

图5:Analyser类图

如上图所示,针对期望查询的不同内容,实现多个Analyser,每个Analyser可以定义筛选、排序、分页条件。每个Analyser知道自己需要哪些中间文件来进行数据的合并、筛选、排序。Analyser与Parser是通过Parser生成的中间文件关联起来的,本身不存在函数调用的情况,这样对两个模块进行了解耦。

针对算子信息的Analyser,目前存在两种:

  • 针对算子类型平均信息的筛选。

  • 针对每个算子详细平均信息的筛选,分别在两个Analyser中实现(AicoreTypeAnalyser、AicoreDetailAnalyser)。

为了隐藏Analyser内部实现,方便调用,使用简单工厂模式,通过AnalyserFactory获取指定的Analyser。

Proposer

Proposer模块介绍

Proposer是Profiler性能优化建议模块,Proposer调用Analyser模块获取性能数据,通过调优规则对性能数据进行分析,输出调优建议由UI、API接口展示给用户。

Proposer模块设计

模块划分如下所示:

proposer_module_profiler.png

图6:Proposer模块图

模块设计如上图所示:

  • Proposer提供接口用于API、RESTful调用以获取优化建议。

  • Proposer调用Analyser接口,获取性能数据并根据优化规则,获得优化建议。

  • Proposer调用Analyser工厂获得Analyser对象。

调用Analyser对象的query接口获取信息,包括:按时间排序TOP N的AICore、AICoreType、AICpu算子信息、traning trace各阶段的时间信息。

模块类设计如下所示:

proposer_class_profiler.png

图7:Proposer类图

如上模块类图所示:

  • 各类型Proposer继承抽象类Proposer并实现analyze方法;

  • API、CLI通过调用工厂ProposerFactory获取Proposer,并调用Proposer.analyze函数获取各类型的Proposer分析的优化建议。