本文分享自華為云社區(qū)《在昇騰平臺(tái)上對(duì)TensorFlow網(wǎng)絡(luò)進(jìn)行性能調(diào)優(yōu)-云社區(qū)-華為云》，作者：昇騰CANN 。
用戶(hù)將TensorFlow訓(xùn)練網(wǎng)絡(luò)遷移到昇騰平臺(tái)后，如果存在性能不達(dá)標(biāo)的問(wèn)題，就需要進(jìn)行調(diào)優(yōu)。本文就帶大家了解在昇騰平臺(tái)上對(duì)TensorFlow訓(xùn)練網(wǎng)絡(luò)進(jìn)行性能調(diào)優(yōu)的常用手段。
首先了解下性能調(diào)優(yōu)的全流程：
當(dāng)TensorFlow訓(xùn)練網(wǎng)絡(luò)性能不達(dá)標(biāo)時(shí)，首先可嘗試昇騰平臺(tái)提供的“三板斧”操作，即上圖中的“基本提升手段”：使能自動(dòng)混合精度 > 進(jìn)行親和接口的替換 > 使能訓(xùn)練迭代循環(huán)下沉 > 使用AOE工具進(jìn)行調(diào)優(yōu)。
基本調(diào)優(yōu)操作完成后，需要再次執(zhí)行模型訓(xùn)練并評(píng)估性能，如果性能達(dá)標(biāo)了，調(diào)優(yōu)即可結(jié)束；如果未達(dá)標(biāo)，需要使用Profling工具采集詳細(xì)的性能數(shù)據(jù)進(jìn)一步分析，從而找到性能瓶頸點(diǎn)，并進(jìn)一步針對(duì)性的解決，這部分調(diào)優(yōu)操作需要用戶(hù)有一定的經(jīng)驗(yàn)，難度相對(duì)較大，我們將這部分調(diào)優(yōu)操作稱(chēng)為進(jìn)階調(diào)優(yōu)。
本文主要帶大家詳細(xì)了解基本調(diào)優(yōu)操作，即上圖中的灰色底紋部分。
使能自動(dòng)混合精度混合精度是業(yè)內(nèi)通用的性能提升方式，通過(guò)降低部分計(jì)算精度提升數(shù)據(jù)計(jì)算的并行度?；旌嫌?jì)算訓(xùn)練方法通過(guò)混合使用float16和float32數(shù)據(jù)類(lèi)型來(lái)加速深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程，并減少內(nèi)存使用和存取，從而可以提升訓(xùn)練網(wǎng)絡(luò)性能，同時(shí)又能基本保證使用float32訓(xùn)練所能達(dá)到的網(wǎng)絡(luò)精度。
Ascend平臺(tái)提供了“precision_mode”參數(shù)用于配置網(wǎng)絡(luò)的精度模式，用戶(hù)可以在訓(xùn)練腳本的運(yùn)行配置中添加此參數(shù)，并將取值配置為“allow_mix_precision”，從而使能自動(dòng)混合精度，下面以手工遷移的訓(xùn)練腳本為例，介紹配置方法。
針對(duì)TensorFlow訓(xùn)練網(wǎng)絡(luò)中的dropout、gelu接口，Ascend平臺(tái)提供了硬件親和的替換接口，從而使網(wǎng)絡(luò)獲得更優(yōu)性能。
例如，TensorFlow原始代碼：
遷移后的代碼：
from npu_bridge.estimator.npu_unary_ops import npu_unary_opslayers = npu_unary_ops.gelu(x)訓(xùn)練迭代循環(huán)下沉
訓(xùn)練迭代循環(huán)下沉是指在Host調(diào)用一次，在Device執(zhí)行多次迭代，從而減少Host與Device間的交互次數(shù)，縮短訓(xùn)練時(shí)長(zhǎng)。用戶(hù)可通過(guò)iterations_per_loop參數(shù)指定訓(xùn)練迭代的次數(shù)，該參數(shù)取值大于1即可使能訓(xùn)練迭代循環(huán)下沉的特性。
使用該特性時(shí)，要求訓(xùn)練腳本使用TF Dataset方式讀數(shù)據(jù)，并開(kāi)啟數(shù)據(jù)預(yù)處理下沉，即enable_data_pre_proc開(kāi)關(guān)配置為T(mén)rue，例如sess.run配置示例如下：
custom_op.parameter_map["enable_data_pre_proc"].b = True
其他使用約束，用戶(hù)可參見(jiàn)昇騰文檔中心（昇騰社區(qū)-官網(wǎng)丨昇騰萬(wàn)里 讓智能無(wú)所不及）的《TensorFlow模型遷移和訓(xùn)練指南》。
Estimator模式下，通過(guò)NPURunConfig中的iterations_per_loop參數(shù)配置訓(xùn)練迭代循環(huán)下沉的示例如下：
session_config=tf.ConfigProto(allow_soft_placement=True)config = NPURunConfig(session_config=session_config, iterations_per_loop=10)AOE自動(dòng)調(diào)優(yōu)
昇騰平臺(tái)提供了AOE自動(dòng)調(diào)優(yōu)工具，可對(duì)網(wǎng)絡(luò)進(jìn)行子圖調(diào)優(yōu)、算子調(diào)優(yōu)與梯度調(diào)優(yōu)，生成最優(yōu)調(diào)度策略，并將最優(yōu)調(diào)度策略固化到知識(shí)庫(kù)。模型再次訓(xùn)練時(shí)，無(wú)需開(kāi)啟調(diào)優(yōu)，即可享受知識(shí)庫(kù)帶來(lái)的收益。
建議按照如下順序使用AOE工具進(jìn)行調(diào)優(yōu)：
訓(xùn)練場(chǎng)景下使能AOE調(diào)優(yōu)有兩種方式：
sess.run模式，訓(xùn)練腳本修改方法如下：
custom_op.parameter_map["aoe_mode"].s = tf.compat.as_bytes("2")
estimator模式下，訓(xùn)練腳本修改方法如下：
config = NPURunConfig( session_config=session_config, aoe_mode=2)
以上就是TensorFlow網(wǎng)絡(luò)在昇騰平臺(tái)上進(jìn)行性能調(diào)優(yōu)的常見(jiàn)手段。關(guān)于更多文檔介紹，可以在昇騰文檔中心查看，您也可在昇騰社區(qū)在線(xiàn)課程板塊（昇騰社區(qū)-官網(wǎng)丨昇騰萬(wàn)里 讓智能無(wú)所不及）學(xué)習(xí)視頻課程，學(xué)習(xí)過(guò)程中的任何疑問(wèn)，都可以在昇騰論壇互動(dòng)交流！
相關(guān)參考：[1]昇騰文檔中心
[2]昇騰社區(qū)在線(xiàn)課程
[3]昇騰論壇
關(guān)注#華為云開(kāi)發(fā)者聯(lián)盟#點(diǎn)擊下方，第一時(shí)間了解華為云新鮮技術(shù)~
華為云博客_大數(shù)據(jù)博客_AI博客_云計(jì)算博客_開(kāi)發(fā)者中心-華為云
