TorchInductor GPU 性能分析

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模型在 TorchInductor 中的性能。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值得关注的。之后，您可能还想直接运行单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\_’。启用此环境变量后，inductor 会在 trace 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 表示逐点操作）和原始 ATen 算子。默认禁用此配置是为了提高编译缓存命中率。

• TORCHINDUCTOR_BENCHMARK_KERNEL

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

• TORCHINDUCTOR_MAX_AUTOTUNE

  • Inductor 自动调优器将对更多 triton.Configs 进行基准测试，并选择性能最佳的配置。这会增加编译时间，以期提升性能。

分解模型的 GPU 时间

以下是将模型执行时间分解到单个内核的步骤。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

   该工具依赖内核名称来决定其类别。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**
   

每个已编译模块对应一行。如果没有额外的图中断，我们将在日志中看到 2 行此类信息，一行对应前向图，一行对应后向图。

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已编译模块

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

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

3. 现在我们可以深入了解每个已编译模块的性能。让我们选择前向图进行说明。为了方便，我将其命名为 fwd.py。使用 -p 参数直接运行它

   **> python fwd.py -p**
   

请在此示例 gist 中查看完整的输出日志。

在输出中，您会注意到以下内容

• 我们为性能分析写入了一个 Chrome trace 文件，以便我们可以加载 trace 并与之交互。在日志中，查找如下行以找到 trace 文件的路径。

性能分析的 Chrome trace 已写入 /tmp/compiled_module_profile.json

将 trace 加载到 Chrome 中（在 Chrome 浏览器中访问 chrome://tracing 并按照 UI 提示加载文件）将显示如下 UI

您可以放大和缩小以检查性能分析结果。

• 我们通过如下日志行报告 GPU 时间占 wall time 的百分比

  GPU 忙碌时间百分比: 102.88%

  有时您可能会看到大于 100% 的值。原因是 PyTorch 在启用性能分析时使用内核执行时间，而在禁用性能分析时使用 wall time。性能分析可能会稍微扭曲内核执行时间。但总的来说，这应该问题不大。

  如果我们使用较小的批量大小运行像 densenet121 这样的模型，我们会看到 GPU 忙碌时间百分比很低

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

  这意味着模型有很多 CPU 开销。这与启用 cudagraphs 可大幅提高 densenet121 性能的事实一致。

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

  • 逐点内核占用 28.58%

  • 归约内核占用 13.85%

  • 持久归约内核占用 3.89%

  • 其余是用于 mm/conv 的 cutlass/cudnn 内核，占用 56.57%

  此信息可在每种内核类别的报告的汇总行（最后一行）中找到。

• 我们还可以放大查看特定类别的内核。例如，让我们检查归约内核

  

  我们可以看到每个归约内核执行时间的有序表格。我们还可以看到内核执行了多少次。这在以下几个方面很有帮助

  • 如果一个内核只占用极少的时间，例如 0.1%，那么改进它最多只能带来 0.1% 的总体提升。不值得为此投入大量精力。

  • 如果一个内核占用 2% 的时间，将其性能提高一倍将带来 1% 的总体提升，这值得投入精力。

对单个 Triton 内核进行基准测试

假设我们想仔细查看 triton_red_fused\__native_batch_norm_legit_functional_16，这是最耗时的归约内核，占前向图总 wall time 的 2.19%。

我们可以在 fwd.py 中查找内核名称，并找到类似如下的注释

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

为方便起见，我将其重命名为 k.py。这是一个文件的粘贴内容。

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检查 max-autotune 是否对该内核有帮助

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

我们还可以临时添加更多归约启发式方法并再次运行脚本，以检查这对内核有何帮助。