beginner/hta_trace_diff_tutorial

在 Google Colab 中运行

Colab

下载 Notebook

Notebook

在 GitHub 上查看

GitHub

使用整体跟踪分析进行跟踪差异

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 操作符和 CUDA 内核的变化。为了支持这一需求，HTA 提供了跟踪比较功能。此功能允许用户输入两组跟踪文件，其中第一组可以看作是*对照组*，第二组可以看作是*测试组*，类似于 A/B 测试。TraceDiff 类提供了比较跟踪之间差异的功能，以及可视化这些差异的功能。特别是，用户可以找到从每个组中添加和删除的操作符和内核，以及每个操作符/内核的频率和操作符/内核所花费的累计时间。

TraceDiff 类具有以下方法

• compare_traces：比较两组跟踪中 CPU 操作符和 GPU 内核的频率和总持续时间。

• ops_diff：获取已

  1. 添加到测试跟踪中但在控制跟踪中不存在的操作符和内核

  2. 从测试跟踪中删除但在控制跟踪中存在的操作符和内核

  3. 在测试跟踪中频率增加且在控制跟踪中存在的操作符和内核

  4. 在测试跟踪中频率减少且在控制跟踪中存在的操作符和内核

  5. 在两组跟踪之间未更改的操作符和内核

• visualize_counts_diff

• visualize_duration_diff

最后两种方法可用于可视化 CPU 操作符和 GPU 内核在频率和持续时间上的各种变化，使用 compare_traces 方法的输出。

例如，频率增加最多的前十个操作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)

同样，持续时间变化最大的前十个操作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。