本文分享自華為云社區(qū)《在昇騰平臺上對TensorFlow網(wǎng)絡(luò)進行性能調(diào)優(yōu)-云社區(qū)-華為云》，作者：昇騰CANN 。
用戶將TensorFlow訓(xùn)練網(wǎng)絡(luò)遷移到昇騰平臺后，如果存在性能不達標的問題，就需要進行調(diào)優(yōu)。本文就帶大家了解在昇騰平臺上對TensorFlow訓(xùn)練網(wǎng)絡(luò)進行性能調(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)性能不達標時，首先可嘗試昇騰平臺提供的“三板斧”操作，即上圖中的“基本提升手段”：使能自動混合精度 > 進行親和接口的替換 > 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)練并評估性能，如果性能達標了，調(diào)優(yōu)即可結(jié)束；如果未達標，需要使用Profling工具采集詳細的性能數(shù)據(jù)進一步分析，從而找到性能瓶頸點，并進一步針對性的解決，這部分調(diào)優(yōu)操作需要用戶有一定的經(jīng)驗，難度相對較大，我們將這部分調(diào)優(yōu)操作稱為進階調(diào)優(yōu)。
本文主要帶大家詳細了解基本調(diào)優(yōu)操作，即上圖中的灰色底紋部分。
使能自動混合精度混合精度是業(yè)內(nèi)通用的性能提升方式，通過降低部分計算精度提升數(shù)據(jù)計算的并行度?；旌嫌嬎阌?xùn)練方法通過混合使用float16和float32數(shù)據(jù)類型來加速深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，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，同時又能基本保證使用float32訓(xùn)練所能達到的網(wǎng)絡(luò)精度。
Ascend平臺提供了“precision_mode”參數(shù)用于配置網(wǎng)絡(luò)的精度模式，用戶可以在訓(xùn)練腳本的運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TensorFlow訓(xùn)練網(wǎng)絡(luò)中的dropout、gelu接口，Ascend平臺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)練時長。用戶可通過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，要求訓(xùn)練腳本使用TF Dataset方式讀數(shù)據(jù)，并開啟數(shù)據(jù)預(yù)處理下沉，即enable_data_pre_proc開關(guān)配置為True，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，用戶可參見昇騰文檔中心（昇騰社區(qū)-官網(wǎng)丨昇騰萬里 讓智能無所不及）的《TensorFlow模型遷移和訓(xùn)練指南》。
Estimator模式下，通過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自動調(diào)優(yōu)
昇騰平臺提供了AOE自動調(diào)優(yōu)工具，可對網(wǎng)絡(luò)進行子圖調(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)度策略固化到知識庫。模型再次訓(xùn)練時，無需開啟調(diào)優(yōu)，即可享受知識庫帶來的收益。
建議按照如下順序使用AOE工具進行調(diào)優(yōu)：
訓(xùn)練場景下使能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)在昇騰平臺上進行性能調(diào)優(yōu)的常見手段。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)在線課程板塊（昇騰社區(qū)-官網(wǎng)丨昇騰萬里 讓智能無所不及）學(xué)習(xí)視頻課程，學(xué)習(xí)過程中的任何疑問，都可以在昇騰論壇互動交流！
相關(guān)參考：[1]昇騰文檔中心
[2]昇騰社區(qū)在線課程
[3]昇騰論壇
關(guān)注#華為云開發(fā)者聯(lián)盟#點擊下方，第一時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_云計算博客_開發(fā)者中心-華為云
