PyTorch 2.0 性能仪表盘¶
PyTorch 2.0 的性能每天晚上都会在这个 仪表盘 上进行跟踪。性能收集每天晚上都会在 12 个 GCP A100 节点上运行。每个节点包含一个 40GB 的 A100 Nvidia GPU 和一个 6 核 2.2GHz 英特尔至强 CPU。相应的 CI 工作流程文件可以在 此处 找到。
如何阅读仪表盘?¶
首页显示了我们测量的三个基准测试套件的表格:TorchBench
、Huggingface
和 TIMM
,以及一个基准测试套件的图表(默认设置)。例如,默认图表目前显示了过去 7 天中 TorchBench
的 AMP 训练性能趋势。可以在该页面顶部的下拉列表中选择不同的选项,以查看带有不同选项的表格和图表。除了通过率之外,还报告了 3 个关键性能指标:几何平均加速比
、平均编译时间
和 峰值内存占用压缩比
。几何平均加速比
和 峰值内存占用压缩比
与 PyTorch 急切性能进行比较,越大越好。这些表格上的每个单独性能数字都可以点击,这将带您到一个视图,其中包含该特定基准测试套件中所有测试的详细数字。
仪表盘上测量了什么?¶
所有仪表盘测试都在此 函数 中定义。确切的测试配置可能会发生变化,但目前,我们使用 AMP 精度测量了三个基准测试套件的推理和训练性能。我们还测量了 TorchInductor 的不同设置,包括 default
、with_cudagraphs (default + cudagraphs)
和 dynamic (default + dynamic_shapes)
。
在合并之前,我可以在仪表盘上检查我的 PR 是否影响 TorchInductor 的性能吗?¶
可以通过单击 此处 的 Run workflow
按钮并提交所选 PR 分支来手动触发单个仪表盘运行。这将启动一个完整的仪表盘运行,其中包含您 PR 的更改。完成后,可以通过选择性能仪表盘 UI 上的相应分支名称和提交 ID 来检查结果。请注意,这是一个昂贵的 CI 运行。由于资源有限,请明智地使用此功能。
如何在本地运行任何性能测试?¶
完整的仪表盘运行期间使用的确切命令行可以在任何最近的 CI 运行日志中找到。 工作流程页面 是一个很好的位置,可以查找一些最近运行的日志。在这些日志中,您可以搜索类似于 python benchmarks/dynamo/huggingface.py --performance --cold-start-latency --inference --amp --backend inductor --disable-cudagraphs --device cuda
的行,并在本地运行它们(如果您有一个支持 PyTorch 2.0 的 GPU)。 python benchmarks/dynamo/huggingface.py -h
将提供有关基准测试脚本选项的详细说明。