评价此页

★ ★ ★ ★ ★

beginner/hta_intro_tutorial

在 Google Colab 中运行

整体追踪分析简介#

创建于：2024 年 1 月 2 日 | 最后更新：2024 年 1 月 5 日 | 最后验证：2024 年 11 月 5 日

作者： Anupam Bhatnagar

在本教程中，我们将演示如何使用整体追踪分析（HTA）来分析分布式训练任务的追踪数据。请按照以下步骤开始。

安装 HTA#

我们建议使用 Conda 环境来安装 HTA。要安装 Anaconda，请参阅 Anaconda 官方文档。

使用 pip 安装 HTA
```
pip install HolisticTraceAnalysis
```

（可选但推荐）设置一个 Conda 环境

# create the environment env_name
conda create -n env_name

# activate the environment
conda activate env_name

# When you are done, deactivate the environment by running ``conda deactivate``

入门#

启动 Jupyter notebook 并将 trace_dir 变量设置为追踪文件的位置。

from hta.trace_analysis import TraceAnalysis
trace_dir = "/path/to/folder/with/traces"
analyzer = TraceAnalysis(trace_dir=trace_dir)

时间分解#

为了有效利用 GPU，了解它们在特定任务上如何花费时间至关重要。它们是主要用于计算、通信、内存事件，还是处于空闲状态？时间分解功能提供了对这三类时间花费的详细分析。

空闲时间 - GPU 处于空闲状态。
计算时间 - GPU 用于矩阵乘法或向量运算。
非计算时间 - GPU 用于通信或内存事件。

为实现高训练效率，代码应最大化计算时间，并最小化空闲时间和非计算时间。以下函数生成一个数据帧，为每个 rank 提供详细的时间使用分解。

analyzer = TraceAnalysis(trace_dir = "/path/to/trace/folder")
time_spent_df = analyzer.get_temporal_breakdown()

当在 get_temporal_breakdown 函数中将 visualize 参数设置为 True 时，它还会生成一个按 rank 分解的条形图。

空闲时间分解#

深入了解 GPU 空闲时间及其原因有助于指导优化策略。当没有内核在 GPU 上运行时，GPU 被视为空闲。我们开发了一种算法，将空闲时间分为三个不同的类别：

主机等待： 指的是由于 CPU 未能足够快地将内核入队以保持 GPU 完全利用而导致的 GPU 空闲时间。这类低效率问题可以通过检查导致速度减慢的 CPU 算子、增加批量大小和应用算子融合来解决。
内核等待： 这指的是在 GPU 上启动连续内核时的短暂开销。归因于此类的空闲时间可以通过使用 CUDA Graph 优化来最小化。
其他等待： 此类别包括由于信息不足而当前无法归因的空闲时间。可能的原因包括使用 CUDA 事件在 CUDA 流之间进行同步以及启动内核的延迟。

主机等待时间可以解释为 GPU 因 CPU 而停顿的时间。我们将空闲时间归因于内核等待的启发式方法如下：

连续内核之间的间隔 < 阈值

默认阈值为 30 纳秒，可以通过 consecutive_kernel_delay 参数进行配置。默认情况下，仅计算 rank 0 的空闲时间分解。要计算其他 rank 的分解，请在 get_idle_time_breakdown 函数中使用 ranks 参数。空闲时间分解可以如下生成：

analyzer = TraceAnalysis(trace_dir = "/path/to/trace/folder")
idle_time_df = analyzer.get_idle_time_breakdown()

../_images/idle_time_breakdown_percentage.png

该函数返回一个数据帧元组。第一个数据帧包含每个 rank 上每个流按类别划分的空闲时间。

当 show_idle_interval_stats 设置为 True 时，会生成第二个数据帧。它包含每个 rank 上每个流空闲时间的摘要统计信息。

提示

默认情况下，空闲时间分解显示每个空闲时间类别的百分比。将 visualize_pctg 参数设置为 False，函数将以绝对时间作为 y 轴进行渲染。

内核分解#

内核分解功能可以分解每种内核类型（如通信（COMM）、计算（COMP）和内存（MEM））在所有 rank 上所花费的时间，并以饼图的形式呈现每个类别所占的时间比例。

内核分解的计算方式如下：

analyzer = TraceAnalysis(trace_dir = "/path/to/trace/folder")
kernel_type_metrics_df, kernel_metrics_df = analyzer.get_gpu_kernel_breakdown()

该函数返回的第一个数据帧包含用于生成饼图的原始值。

内核持续时间分布#

由 get_gpu_kernel_breakdown 返回的第二个数据帧包含每个内核的持续时间摘要统计信息。具体来说，这包括每个 rank 上每个内核的计数、最小值、最大值、平均值、标准差、总和以及内核类型。

利用这些数据，HTA 创建了许多可视化图表以识别性能瓶颈。

每个 rank 上每种内核类型的前几个内核的饼图。
每个前几名内核和每种内核类型在所有 rank 上的平均持续时间的条形图。

提示

所有图像均使用 plotly 生成。将鼠标悬停在图表上会在右上角显示模式栏，允许用户缩放、平移、选择和下载图表。

上面的饼图显示了排名前 5 的计算、通信和内存内核。为每个 rank 生成了类似的饼图。可以使用传递给 get_gpu_kernel_breakdown 函数的 num_kernels 参数配置饼图以显示排名前 k 的内核。此外，duration_ratio 参数可用于调整需要分析的时间百分比。如果同时指定了 num_kernels 和 duration_ratio，则 num_kernels 优先。

上方的条形图显示了 NCCL AllReduce 内核在所有 rank 上的平均持续时间。黑线表示每个 rank 上的最小和最大时间。

警告

当使用 jupyter-lab 时，请将“image_renderer”参数值设置为“jupyterlab”，否则图表将不会在 notebook 中渲染。

有关此功能的详细演练，请参阅仓库示例文件夹中的 gpu_kernel_breakdown notebook。

通信与计算重叠#

在分布式训练中，大量时间花费在 GPU 之间的通信和同步事件上。为了实现高 GPU 效率（例如 TFLOPS/GPU），保持 GPU 被计算内核超额订阅至关重要。换句话说，GPU 不应因未解决的数据依赖而阻塞。衡量计算被数据依赖阻塞程度的一种方法是计算通信与计算的重叠。如果通信事件与计算事件重叠，则观察到更高的 GPU 效率。缺乏通信和计算重叠将导致 GPU 空闲，从而导致低效率。总而言之，更高的通信计算重叠是可取的。为了计算每个 rank 的重叠百分比，我们测量以下比率：

（通信时花费在计算上的时间）/（花费在通信上的时间）

通信计算重叠可以如下计算：

analyzer = TraceAnalysis(trace_dir = "/path/to/trace/folder")
overlap_df = analyzer.get_comm_comp_overlap()

该函数返回一个数据帧，其中包含每个 rank 的重叠百分比。

当 visualize 参数设置为 True 时，get_comm_comp_overlap 函数还会生成一个按 rank 表示重叠的条形图。

增强计数器#

内存带宽和队列长度计数器#

内存带宽计数器测量通过内存复制（memcpy）和内存设置（memset）事件从 H2D、D2H 和 D2D 复制数据时使用的内存复制带宽。HTA 还计算每个 CUDA 流上的待处理操作数。我们称之为队列长度。当一个流上的队列长度达到或超过 1024 时，新的事件无法在该流上调度，CPU 将会停顿，直到 GPU 流上的事件处理完毕。

generate_trace_with_counters API 输出一个带有内存带宽和队列长度计数器的新追踪文件。新的追踪文件包含指示 memcpy/memset 操作使用的内存带宽的轨道以及每个流上队列长度的轨道。默认情况下，这些计数器是使用 rank 0 追踪文件生成的，新文件的名称中包含后缀 _with_counters。用户可以通过在 generate_trace_with_counters API 中使用 ranks 参数为多个 rank 生成计数器。

analyzer = TraceAnalysis(trace_dir = "/path/to/trace/folder")
analyzer.generate_trace_with_counters()

生成的带有增强计数器的追踪文件的屏幕截图。

../_images/mem_bandwidth_queue_length.png

HTA 还使用以下 API 提供了内存复制带宽和队列长度计数器的摘要，以及在代码分析部分中这些计数器的时间序列：

要查看摘要和时间序列，请使用：

# generate summary
mem_bw_summary = analyzer.get_memory_bw_summary()
queue_len_summary = analyzer.get_queue_length_summary()

# get time series
mem_bw_series = analyzer.get_memory_bw_time_series()
queue_len_series = analyzer.get_queue_length_series()

摘要包含计数、最小值、最大值、平均值、标准差、第 25、50 和 75 百分位数。

时间序列只包含值发生变化的时间点。一旦观察到一个值，时间序列将保持不变直到下一次更新。内存带宽和队列长度时间序列函数返回一个字典，其键是 rank，值是该 rank 的时间序列。默认情况下，仅为 rank 0 计算时间序列。

CUDA 内核启动统计#

对于在 GPU 上启动的每个事件，CPU 上都有一个相应的调度事件，例如 CudaLaunchKernel、CudaMemcpyAsync、CudaMemsetAsync。这些事件通过追踪中的一个通用相关 ID 链接起来 - 见上图。此功能计算 CPU 运行时事件的持续时间、其对应的 GPU 内核以及启动延迟，例如，GPU 内核开始和 CPU 算子结束之间的差值。内核启动信息可以如下生成：

analyzer = TraceAnalysis(trace_dir="/path/to/trace/dir")
kernel_info_df = analyzer.get_cuda_kernel_launch_stats()

下面是生成的数据帧的屏幕截图。

CPU 操作、GPU 内核的持续时间以及启动延迟使我们能够发现以下情况：

短 GPU 内核 - 持续时间小于相应 CPU 运行时事件的 GPU 内核。
运行时事件异常值 - 持续时间过长的 CPU 运行时事件。
启动延迟异常值 - 调度时间过长的 GPU 内核。

HTA 为上述三个类别中的每一个生成分布图。

短 GPU 内核

通常，CPU 端的启动时间在 5-20 微秒之间。在某些情况下，GPU 执行时间低于启动时间本身。下图帮助我们了解这种情况在代码中发生的频率。

运行时事件异常值

运行时异常值取决于用于分类异常值的截止值，因此 get_cuda_kernel_launch_stats API 提供了 runtime_cutoff 参数来配置该值。

启动延迟异常值

启动延迟异常值取决于用于分类异常值的截止值，因此 get_cuda_kernel_launch_stats API 提供了 launch_delay_cutoff 参数来配置该值。

结论#

在本教程中，您学习了如何安装和使用 HTA，这是一个性能工具，使您能够分析分布式训练工作流程中的瓶颈。要了解如何使用 HTA 工具执行追踪差异分析，请参阅使用整体追踪分析进行追踪差异分析。