使用整体追踪分析的追踪差异

创建于：2024 年 1 月 2 日 | 最后更新：2024 年 1 月 5 日 | 最后验证：未验证

作者： Anupam Bhatnagar

有时，用户需要识别代码更改导致的 PyTorch 运算符和 CUDA 内核的变化。为了支持这一需求，HTA 提供了追踪比较功能。此功能允许用户输入两组追踪文件，其中第一组可以被视为对照组，第二组可以被视为测试组，类似于 A/B 测试。TraceDiff 类提供了比较追踪之间差异的函数以及可视化这些差异的功能。特别是，用户可以找到在每组中添加和删除的运算符和内核，以及每个运算符/内核的频率以及运算符/内核所花费的累积时间。

TraceDiff 类具有以下方法

• compare_traces：比较两组追踪中 CPU 运算符和 GPU 内核的频率和总持续时间。

• ops_diff：获取已被

  1. 添加 到测试追踪且在对照追踪中不存在的运算符和内核

  2. 删除 自测试追踪且在对照追踪中存在的运算符和内核

  3. 在测试追踪中频率增加且在对照追踪中存在的运算符和内核

  4. 在测试追踪中频率减少且在对照追踪中存在的运算符和内核

  5. 在两组追踪之间未更改的运算符和内核

• visualize_counts_diff

• visualize_duration_diff

最后两种方法可以用于可视化 CPU 运算符和 GPU 内核在频率和持续时间方面的各种变化，使用 compare_traces 方法的输出。

例如，频率增加最多的前十个运算符可以按如下方式计算

df = compare_traces_output.sort_values(by="diff_counts", ascending=False).head(10)
TraceDiff.visualize_counts_diff(df)

类似地，持续时间变化最大的前十个运算符可以按如下方式计算

df = compare_traces_output.sort_values(by="diff_duration", ascending=False)
# The duration differerence can be overshadowed by the "ProfilerStep",
# so we can filter it out to show the trend of other operators.
df = df.loc[~df.index.str.startswith("ProfilerStep")].head(10)
TraceDiff.visualize_duration_diff(df)

有关此功能的详细示例，请参阅存储库示例文件夹中的 trace_diff_demo notebook。