beginner/hta_trace_diff_tutorial

在 Google Colab 中运行

Colab

下载 Notebook

Notebook

在 GitHub 上查看

GitHub

使用整体追踪分析进行追踪差异

创建日期：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 算子和 CUDA 内核的变化。为了支持此需求，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，其中第一组可以被认为是对照组，第二组可以被认为是测试组，类似于 A/B 测试。 TraceDiff 类提供了比较追踪差异的功能，以及可视化这些差异的功能。特别是，用户可以找到从每组中添加和删除的算子和内核，以及每个算子/内核的频率和算子/内核的累积执行时间。

TraceDiff 类具有以下方法

• compare_traces：比较两组追踪中 CPU 算子和 GPU 内核的频率和总时长。

• ops_diff：获取已

  1. 添加到测试追踪中，但在对照追踪中不存在的算子和内核

  2. 删除自测试追踪中，但在对照追踪中存在的算子和内核

  3. 频率增加在测试追踪中，且存在于对照追踪中的算子和内核

  4. 频率降低在测试追踪中，且存在于对照追踪中的算子和内核

  5. 未改变在两组追踪之间

• visualize_counts_diff

• visualize_duration_diff

最后两个方法可用于可视化 CPU 算子和 GPU 内核的频率和持续时间的变化，使用 compare_traces 方法的输出。

例如，频率增加最多的前十个算子可以如下计算

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算子可以如下计算

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，请参阅仓库 examples 文件夹中的 trace_diff_demo notebook。