TorchInductor GPU 性能分析

本节列出了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 GPU 时间最多的内核是最令人感兴趣的。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。

相关的环境变量

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\_’。启用此环境变量后，inductor 将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（点向操作的 poi）和原始 ATen 算子。默认情况下禁用此配置以提高编译缓存命中的机会。

• TORCHINDUCTOR_BENCHMARK_KERNEL

  • 启用此功能将使 inductor 代码生成 harness 对各个 triton 内核进行基准测试。

• TORCHINDUCTOR_MAX_AUTOTUNE

  • Inductor 自动调优器将基准测试更多 triton.Configs 并选择性能最佳的配置。这将增加编译时间，以期提高性能。

分解模型 GPU 时间

以下是将模型的执行时间分解为各个内核的步骤。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 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**
   

我们为每个编译模块都有一行。如果没有额外的图中断，我们将在日志中看到 2 行这样的行，一行用于前向图，另一行用于后向图。

对于我们的示例命令，我们分别获得了前向图和后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单独编译模块的性能。为了说明目的，让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**
   

请参阅此示例 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并与之交互。在日志中，查找如下行以查找跟踪文件的路径。

Chrome 跟踪配置文件已写入 /tmp/compiled_module_profile.json

将跟踪加载到 Chrome 中（在 Chrome 浏览器中访问 chrome://tracing 并按照 UI 建议加载文件）将显示如下 UI

您可以放大和缩小以检查配置文件。

• 我们通过如下日志行报告 GPU 时间占挂钟时间的百分比

  GPU 繁忙时间百分比：102.88%

  有时您可能会看到大于 100% 的值。原因是 PyTorch 在启用分析的情况下使用内核执行时间，而在禁用分析的情况下使用挂钟时间。分析可能会稍微扭曲内核执行时间。但总的来说，这不应该是一个大问题。

  如果我们使用小批量大小运行像 densenet121 这样的模型，我们将看到 GPU 繁忙时间百分比很低

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

  这意味着该模型具有大量的 CPU 开销。这与启用 cudagraphs 可以大大提高 densenet121 的性能的事实一致。

• 我们可以将 GPU 时间分解为不同类别的内核。在 mixnet_l 示例中，我们看到

  • 点向内核占用 28.58%

  • 规约内核占用 13.85%

  • 持久规约内核占用 3.89%

  • 其余为 mm/conv 的 cutlass/cudnn 内核，占用 56.57%

  此信息可以在每个内核类别的报告的摘要行（最后一行）中找到。

• 我们还可以放大到特定类别的内核。例如，让我们检查规约内核

  

  我们可以看到每个单独的规约内核的执行时间的有序表。我们还看到了内核执行的次数。这在几个方面很有帮助

  • 如果一个内核只占用少量时间，例如 0.1%，那么改进它最多只能带来 0.1% 的总体增益。不值得在这上面花费大量精力。

  • 如果一个内核占用 2% 的时间，那么将其改进 2 倍将带来 1% 的总体增益，这证明了努力是值得的。

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，它是最昂贵的规约内核，在前向图中占总体挂钟时间的 2.19%。

我们可以在 fwd.py 中查找内核名称，并找到如下注释

# kernel path: /tmp/torchinductor_shunting/jk/cjk2vm3446xrk7rth7hr6pun7xxo3dnzubwcn6ydrpifal4eykrz.py

为了方便起见，我将其重命名为 k.py。这是此文件的粘贴。

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 是否对此内核有帮助

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

我们还可以临时添加更多规约启发式方法并再次运行脚本，以检查这如何帮助内核。