PyTorch 2.0 性能仪表板¶
PyTorch 2.0 的性能在此仪表板上每晚跟踪。性能收集每晚在 12 个 GCP A100 节点上运行。每个节点包含一个 40GB A100 Nvidia GPU 和一个 6 核 2.2GHz Intel Xeon CPU。相应的 CI 工作流文件可以在这里找到。
如何阅读仪表板？¶
登陆页面显示了我们测量的所有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，其中包含默认设置。例如，默认图表当前显示 TorchBench 过去 7 天的 AMP 训练性能趋势。可以选择该页面顶部的下拉列表，以查看具有不同选项的表格和图表。除了通过率之外，此处还报告了 3 个关键性能指标：几何平均加速比、平均编译时间 和 峰值内存占用压缩率。几何平均加速比 和 峰值内存占用压缩率 均与 PyTorch eager 性能进行比较，数值越大越好。可以单击这些表格上的每个单独的性能数字，这将带您进入一个视图，其中包含该特定基准测试套件中所有测试的详细数字。
仪表板上测量什么？¶
仪表板上的所有测试都在此函数中定义。确切的测试配置可能会更改，但目前，我们测量了三个基准测试套件上的 AMP 精度下的推理和训练性能。我们还测量了 TorchInductor 的不同设置，包括 default、with_cudagraphs （default + cudagraphs） 和 dynamic （default + dynamic_shapes）。
我可以在合并之前检查我的 PR 是否影响仪表板上 TorchInductor 的性能吗？¶
可以通过单击Run workflow按钮此处并选择 PR 的分支提交来手动触发单个仪表板运行。这将启动一个包含您的 PR 更改的完整仪表板运行。完成后，您可以通过在性能仪表板 UI 上选择相应的分支名称和提交 ID 来查看结果。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？¶
完整的仪表板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。工作流页面是查找最近运行的一些日志的好地方。在这些日志中，您可以搜索如下行 python benchmarks/dynamo/huggingface.py --performance --cold-start-latency --inference --amp --backend inductor --disable-cudagraphs --device cuda，如果您有 GPU 与 PyTorch 2.0 配合使用，则可以在本地运行它们。python benchmarks/dynamo/huggingface.py -h 将为您提供有关基准测试脚本选项的详细说明。
