TorchInductor GPU 分析

本节列出了一些有用的命令和工作流程，可以帮助您深入了解 TorchInductor 中模型的性能。当模型运行速度不如预期时，您可能需要检查模型的各个内核。通常，占用大部分 GPU 时间的内核是最有趣的。之后，您可能还想直接运行各个内核并检查其性能。PyTorch 提供了涵盖上述所有内容的工具。

相关环境变量

您可以在分析中使用以下环境变量

• TORCHINDUCTOR_UNIQUE_KERNEL_NAMES

  • 默认情况下，TorchInductor 将 Triton 内核命名为 ‘triton\_’。当启用此环境变量时，inductor 会在跟踪中生成更有意义的内核名称，例如 triton_poi_fused_cat_155，其中包含内核类别 (poi 表示逐点) 和原始 ATen 运算符。此配置默认情况下处于禁用状态，以提高编译缓存命中的可能性。

• TORCHINDUCTOR_BENCHMARK_KERNEL

  • 启用此选项将使 inductor 代码生成工具对各个 triton 内核进行基准测试。

• TORCHINDUCTOR_MAX_AUTOTUNE

  • 电感自动调谐器将对更多 triton.Configs 进行基准测试，并选择性能最佳的配置。这将增加编译时间，但希望能够提高性能。

细分模型 GPU 时间

以下是将模型的执行时间细分为各个内核的步骤。我们以 mixnet_l 为例。

1. 运行模型的基准测试脚本

   TORCHINDUCTOR_UNIQUE_KERNEL_NAMES=1 TORCHINDUCTOR_BENCHMARK_KERNEL=1
   python -u benchmarks/dynamo/timm_models.py –backend inductor –amp
   –performance –dashboard –only mixnet_l –disable-cudagraphs –training
   

   注意

   该工具依赖于内核名称来确定其类别。启用 TORCHINDUCTOR_UNIQUE_KERNEL_NAMES 对此至关重要。

2. 在输出日志中，查找以下行

   **Compiled module path:
   /tmp/torchinductor_shunting/qz/cqz7hvhood7y3psp7fy6msjxsxyli7qiwiybizdwtjw6ffyq5wwd.py**
   

每个编译的模块对应一行。如果没有额外的图断点，我们将在日志中看到两行，分别对应前向图和反向图。

对于我们的示例命令，我们分别获得了前向图和反向图的以下编译模块

• https://gist.github.com/shunting314/c2a4d8a28b00fcb5586d0e9d9bf77f9f

• https://gist.github.com/shunting314/48efc83b12ec3ead950052e4a0220b10

3. 现在我们可以深入研究每个编译模块的性能。为了说明目的，我们选择前向图的模块。为了方便起见，我将其命名为 fwd.py。使用 -p 参数直接运行它

   **> python fwd.py -p**
   

查看此 示例 gist 中的完整输出日志。

在输出中，您可以注意到以下内容

• 我们为配置文件编写了一个 Chrome 跟踪文件，以便我们可以加载跟踪文件并与之交互。在日志中，查找以下行以找到跟踪文件的路径。

配置文件的 Chrome 跟踪文件写入 /tmp/compiled_module_profile.json

将跟踪文件加载到 Chrome 中（在 Chrome 浏览器中访问 chrome://tracing，并按照 UI 的提示加载文件）将显示以下 UI

您可以放大和缩小以查看配置文件。

• 我们通过以下日志行报告 GPU 时间相对于墙时间的百分比

  GPU 繁忙时的百分比：102.88%

  有时您可能会看到超过 100% 的值。原因是 PyTorch 在启用分析时使用内核执行时间，而在禁用分析时使用挂钟时间。分析可能会稍微扭曲内核执行时间。但总的来说，这应该不是什么大问题。

  如果我们像 densenet121 那样运行模型，并且使用较小的批次大小，我们会看到 GPU 繁忙时间的百分比很低。

  (Forward graph) Percent of time when GPU is busy: 32.69%
  

  这意味着模型有大量的 CPU 开销。这与启用 cudagraphs 可以大幅提高 densenet121 性能的事实一致。

• 我们可以将 GPU 时间细分为不同类别的内核。在 mixnet_l 示例中，我们看到

  • 逐点内核占 28.58%

  • 归约内核占 13.85%

  • 持久归约内核占 3.89%

  • 其余的是用于 mm/conv 的 cutlass/cudnn 内核，占 56.57%

  此信息可以在每个内核类别报告的摘要行（最后一行）中找到。

• 我们还可以放大特定类别的内核。例如，让我们检查归约内核。

  

  我们可以看到每个单独归约内核的执行时间的排序表。我们还看到了内核执行的次数。这对于以下几个原因很有帮助。

  • 如果内核只占用很少的时间，例如 0.1%，那么改进它最多只会带来 0.1% 的整体收益。不值得在这上面花费太多精力。

  • 如果内核占用 2% 的时间，将其改进 2 倍将带来 1% 的整体收益，这证明了付出的努力是合理的。

基准测试单个 Triton 内核

假设我们想仔细看看 triton_red_fused\__native_batch_norm_legit_functional_16，它是成本最高的归约内核，占正向图总挂钟时间的 2.19%。

我们可以在 fwd.py 中查找内核名称，并找到类似的注释：

# 内核路径：/tmp/torchinductor_shunting/jk/cjk2vm3446xrk7rth7hr6pun7xxo3dnzubwcn6ydrpifal4eykrz.py

为了方便起见，我将其重命名为 k.py。以下是此 文件 的粘贴。

k.py 是一个独立的 Python 模块，包含内核代码及其基准测试。

直接运行 k.py 将报告其执行时间和带宽。

我们可以通过运行以下命令来检查 max-autotune 是否有助于此内核：

**TORCHINDUCTOR_MAX_AUTOTUNE=1 python /tmp/k.py**

我们也可以暂时添加更多缩减启发式方法并再次运行脚本，以检查这是否有助于内核。