算子调优工具

概述

AutoTune是使用硬件资源对TBE算子性能进行自动调优的一个工具。相比于人工对算子性能调试，耗时更短、人力投入成本低，可以获得性能更优的模型。本文档主要介绍AutoTune的在线调优使用方法，该工具的架构，功能描述，使用指南以及常见问题处理方法的详细介绍请参考AutoTune工具指南。

调优模式

AutoTune工具包含RL和GA两种调优模式。其中, RL主要支持elewise、broadcast、reduce类的算子；GA主要支持cube类的算子。有关两种调优模式的定义和详细介绍，以及两种调优模式分别支持的算子列表请分别参考调优模式和算子列表。

环境变量

启用AutoTune工具时，需要配置相关必选环境变量。

# run包安装根目录
LOCAL_ASCEND=/usr/local/Ascend
# run包启动依赖so路径
export LD_LIBRARY_PATH=${LOCAL_ASCEND}/fwkacllib/lib64:$LD_LIBRARY_PATH
export PATH=${LOCAL_ASCEND}/fwkacllib/ccec_compiler/bin:${LOCAL_ASCEND}/fwkacllib/bin:$PATH
export PYTHONPATH=${LOCAL_ASCEND}/fwkacllib/python/site-packages:$PYTHONPATH
export ASCEND_OPP_PATH=${LOCAL_ASCEND}/opp
# 离线调优环境变量
export ENABLE_TUNE_DUMP=True

以上环境变量功能详细说明、其他可选环境变量以及相关功能介绍请参考环境变量。

开启调优

MindSpore对接AutoTune工具接口，支持在线调优和离线调优两种调优模式。

在线调优

在context接口中设置auto_tune_mode，即可开启AutoTune工具进行在线调优。auto_tune_mode的取值应当在["NO_TUNE", "RL", "GA", "RL,GA"]中。其中：

NO_TUNE：不开启调优（关闭调优）。

RL：开启RL调优，针对支持RL调优的算子进行调优。

GA：开启GA调优，针对支持GA调优的算子进行调优。

RL,GA：同时开启RL和GA调优，工具会根据网络模型中不同类型的算子自动选择RL或者GA。不区分RL，GA的先后顺序。

举例在线调优的使用方法：
```
import mindspore.context as context
context.set_context(mode=context.GRAPH_MODE, device_target="Ascend", auto_tune_mode="GA,RL")
....
```
设置好上述context之后，按照正常执行训练脚本方式即可启动调优，用例执行期间，无需任何操作，用例执行结束之后的结果即为调优之后的结果。
离线调优

离线调优则是使用训练脚本生成网络模型时的DUMP数据（包含算子输出描述文件、算子的二进制文件等）进行算子调优。离线调优的启动方式以及相关环境变量在CANN开发工具指南的离线调优中有详细指导，这里不做过多说明。

调优结果

调优开始后，会在执行调优的工作目录下生成命名为tune_result_{timestamp}_pidxxx.json的文件来记录调优过程和调优结果。该文件的具体解析请参考调优结果文件分析。

调优完成后，若满足自定义知识库生成条件，则会生成自定义知识库。如果指定了知识库存储路径的环境变量TUNE_BANK_PATH，调优生成的知识库会在指定目录下生成，否则调优生成的知识库会在如下默认路径中。知识库存储路径请参考自定义知识库。

知识库合并

算子调优结束后，生成的调优知识库支持合并以便于再次执行用例使用（或者其他脚本使用）。仅支持相同昇腾AI处理器型号下的自定义知识库合并。具体合并方式请参考CANN开发工具指南中的合并知识库。

使用须知

AutoTune调优工具在使用时，请注意以下几点：

AutoTune调优工具只支持在Ascend环境上使用。
请确保运行环境中执行调优用户的home目录下磁盘可用空间>=20G.
AutoTune调优工具依赖部分第三方软件，如TensorFlow和pciutils等。具体依赖软件的版本等详细信息请参考依赖。
AutoTune调优工具仅能对GA和RL所支持的算子进行调优，且无法保证所有的算子经过该工具调优之后都有性能收益（部分算子经过多个网络以及多次人工调试，性能已经达到最优）。
开启该调优工具后，可以明显感知算子编译时间变长，属于正常现象。