Notebooks

Анализ обучения с TensorBoard PyTorch Profiler на основе Notebooks

С помощью этого руководства вы научитесь использовать TensorBoard с PyTorch Profiler для выявления узких мест производительности моделей машинного обучения.

Вы создадите нейронную сеть для классификации изображений и обучите ее с применением инструментов профилирования. Научитесь анализировать результаты для оптимизации производительности.

В результате вы получите практические навыки работы с инструментами визуализации и анализа производительности моделей PyTorch.

Вы будете использовать следующие сервисы и библиотеки:

Notebooks — сервис для запуска сред ML и работы DS-специалистов в ноутбуках на платформе Evolution.
PyTorch — оптимизированная библиотека для глубокого обучения с использованием GPU и CPU.
Matplotlib — комплексная библиотека для создания статических, анимированных и интерактивных визуализаций.
TensorBoard — инструмент для визуализации и отладки процесса обучения нейронных сетей.

Шаги:

Перед началом работы

Зарегистрируйтесь в личном кабинете Cloud.ru.

Если вы уже зарегистрированы, войдите под своей учетной записью.
На верхней панели слева нажмите и убедитесь, что сервис Notebooks в разделе AI Factory подключен. Если сервис Notebooks не подключен, оставьте заявку на подключение.

1. Подготовьте среду

Сгенерируйте ключевую пару.
Загрузите публичный ключ в облачный каталог.
Создайте ноутбук со следующими параметрами:
- Конфигурация — GPU nv100.xlarge.16.
- Образ — Cloud.ru Jupyter (Conda).
Дождитесь пока ноутбук перейдет в статус «Запущен».
Нажмите JupyterLab в строке созданного ноутбука.
В ноутбуке выберите TensorBoard в разделе Other.
Вернитесь на вкладку ноутбука для дальнейшей работы.

2. Обучите нейронную сеть с использованием PyTorch

На этом шаге вы обучите нейронную сеть для классификации изображений на датасете CIFAR-10 — 10 классов. Модель научится распознавать объекты на картинках 32x32 пикселя.

Для учебных целей мы создаем четыре типа проблем производительности:

Частые синхронизации CPU и GPU нарушают поток вычислений и замедляют обучение.
Лишние операции с памятью расходуют ресурсы на ненужные копирования и доступы.
Неэффективное использование памяти увеличивает нагрузку на видеопамять и ограничивает масштаб моделей.
Избыточное количество прямых и обратных проходов удлиняет обучение и выполняет лишнюю работу.

Эти проблемы позволяют PyTorch Profiler сгенерировать реальные рекомендации по оптимизации, которые можно увидеть, изучить и применить.

Установите необходимые библиотеки, выполняя команды в отдельных ячейках ноутбука:
```
pip install torch
pip install torchvision
pip install tensorboard
pip install matplotlib
```

Импортируйте библиотеки PyTorch для создания нейронных сетей:

# Import main PyTorch libraries for creating neural networks
import torch        # Main framework for deep learning
import torch.nn as nn       # Module for creating neural network layers
import torch.optim as optim     # Optimizers for model training
import torch.nn.functional as F         #Activation functions and other useful functions
import torch.backends.cudnn as cudnn        # CUDA optimizations for accelerating computations

# Imports for TensorBoard --- visualization of metrics and graphs
from torch.utils.tensorboard import SummaryWriter

# Imports for profiling --- performance analysis
from torch.profiler import profile, record_function, ProfilerActivity

Укажите путь до папки с датасетом:
1. Нажмите правой кнопкой мыши по папке, которую вы создали для датасета.
2. Нажмите Copy Path.
3. Вставьте путь в переменную data_dir в код ниже.

Настройте конфигурационные параметры и директории:

# Configuration parameters
resume = False      # Flag for resuming training from checkpoint
# Directory with CIFAR10 data and path to dataset folder
data_dir = </home/jovyan/runs>      # Directory for saving checkpoints
checkpoint_dir = f"{os.path.expanduser('~')}/checkpoint/"      # All logs will be saved to this folder and accessible via TensorBoard

# Set up directory for TensorBoard logs
log_dir = f"{os.path.expanduser('~')}/runs/cifar10_experiment"
if not os.path.isdir(log_dir):
   os.makedirs(log_dir)
# Create directory if it doesn't exist
if not os.path.isdir(checkpoint_dir):
   os.mkdir(checkpoint_dir)
checkpoint_file = f"{checkpoint_dir}/ckpt.pth"          # Path to checkpoint file

Где </home/jovyan/runs> путь к папке с датасетом.

Настройте устройство:

# Device setup
device = 'cuda' if torch.cuda.is_available() else 'cpu'      # Determine the device for computations (GPU/CPU)

# Initialization of variables to track the best accuracy
best_acc = 0        # Best accuracy achieved
start_epoch = 0       # Starting epoch, can be changed when resuming
max_epoch = 20       # Maximum number of epochs for training

# Initialization of Tensorboard Writer
# Create SummaryWriter for writing logs to TensorBoard
# This object will be used for logging all metrics
writer = SummaryWriter(log_dir=log_dir)

Подготовьте данные:

print('==> Preparing data..')
# Transformations for training data (with augmentation)
transform_train = transforms.Compose([
    transforms.RandomCrop(32, padding=4),  # Randomly crop the image with padding
    transforms.RandomHorizontalFlip(),     # Random horizontal flip
    transforms.ToTensor(),                 # Convert image to tensor
    transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)),  # Normalize RGB channels
])

# Transformations for test data (without augmentation)
transform_test = transforms.Compose([
    transforms.ToTensor(),  # Convert image to tensor
    transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)),  # Normalize RGB channels
])

# Create datasets and data loaders
trainset = torchvision.datasets.CIFAR10(
    root=data_dir, train=True, download=True, transform=transform_train)
trainloader = torch.utils.data.DataLoader(
    trainset, batch_size=128, shuffle=True, num_workers=2)  # Data loader for training

testset = torchvision.datasets.CIFAR10(
    root=data_dir, train=False, download=True, transform=transform_test)
testloader = torch.utils.data.DataLoader(
    testset, batch_size=100, shuffle=False, num_workers=2)  # Data loader for testing

# CIFAR10 classes
classes = ('plane', 'car', 'bird', 'cat', 'deer',
           'dog', 'frog', 'horse', 'ship', 'truck')
print('==> Loading model..')

Определите архитектуру модели:

# Basic ResNet block
class BasicBlock(nn.Module):
    expansion = 1  # Expansion factor for channel dimension

    def __init__(self, in_planes, planes, stride=1):
        super(BasicBlock, self).__init__()
        # First convolutional layer
        self.conv1 = nn.Conv2d(
            in_planes, planes, kernel_size=3, stride=stride, padding=1, bias=False)
        self.bn1 = nn.BatchNorm2d(planes)  # Batch normalization

        # Second convolutional layer
        self.conv2 = nn.Conv2d(planes, planes, kernel_size=3,
                               stride=1, padding=1, bias=False)
        self.bn2 = nn.BatchNorm2d(planes)

        # Shortcut connection for residual connections
        self.shortcut = nn.Sequential()
        if stride != 1 or in_planes != self.expansion*planes:
            self.shortcut = nn.Sequential(
                nn.Conv2d(in_planes, self.expansion*planes,
                          kernel_size=1, stride=stride, bias=False),
                nn.BatchNorm2d(self.expansion*planes)
            )

    def forward(self, x):
        # Forward pass through residual block
        out = F.relu(self.bn1(self.conv1(x)))  # ReLU after first convolution
        out = self.bn2(self.conv2(out))        # Second convolution
        out += self.shortcut(x)                # Add shortcut connection
        out = F.relu(out)                      # Final ReLU
        return out

# Root block for DLA architecture
class Root(nn.Module):
    def __init__(self, in_channels, out_channels, kernel_size=1):
        super(Root, self).__init__()
        self.conv = nn.Conv2d(
            in_channels, out_channels, kernel_size,
            stride=1, padding=(kernel_size - 1) // 2, bias=False)
        self.bn = nn.BatchNorm2d(out_channels)

    def forward(self, xs):
        x = torch.cat(xs, 1)  # Concatenate inputs
        out = F.relu(self.bn(self.conv(x)))  # Convolution and ReLU
        return out

# Tree block for hierarchical DLA structure
class Tree(nn.Module):
    def __init__(self, block, in_channels, out_channels, level=1, stride=1):
        super(Tree, self).__init__()
        self.root = Root(2*out_channels, out_channels)  # Root block
        if level == 1:
            # Level 1: basic blocks
            self.left_tree = block(in_channels, out_channels, stride=stride)
            self.right_tree = block(out_channels, out_channels, stride=1)
        else:
            # Recursive tree construction
            self.left_tree = Tree(block, in_channels,
                                  out_channels, level=level-1, stride=stride)
            self.right_tree = Tree(block, out_channels,
                                   out_channels, level=level-1, stride=1)

    def forward(self, x):
        out1 = self.left_tree(x)      # Left subtree
        out2 = self.right_tree(out1)  # Right subtree
        out = self.root([out1, out2]) # Root combines outputs
        return out

# Full SimpleDLA architecture
class SimpleDLA(nn.Module):
    def __init__(self, block=BasicBlock, num_classes=10):
        super(SimpleDLA, self).__init__()
        # Base layers
        self.base = nn.Sequential(
            nn.Conv2d(3, 16, kernel_size=3, stride=1, padding=1, bias=False),
            nn.BatchNorm2d(16),
            nn.ReLU(True)
        )

        # Sequential layers
        self.layer1 = nn.Sequential(
            nn.Conv2d(16, 16, kernel_size=3, stride=1, padding=1, bias=False),
            nn.BatchNorm2d(16),
            nn.ReLU(True)
        )

        self.layer2 = nn.Sequential(
            nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1, bias=False),
            nn.BatchNorm2d(32),
            nn.ReLU(True)
        )

        # Hierarchical Tree blocks
        self.layer3 = Tree(block,  32,  64, level=1, stride=1)
        self.layer4 = Tree(block,  64, 128, level=2, stride=2)
        self.layer5 = Tree(block, 128, 256, level=2, stride=2)
        self.layer6 = Tree(block, 256, 512, level=1, stride=2)

        # Classification layer
        self.linear = nn.Linear(512, num_classes)

    def forward(self, x):
        # Forward pass through the entire network
        out = self.base(x)
        out = self.layer1(out)
        out = self.layer2(out)
        out = self.layer3(out)
        out = self.layer4(out)
        out = self.layer5(out)
        out = self.layer6(out)
        out = F.avg_pool2d(out, 4)  # Global average pooling
        out = out.view(out.size(0), -1)  # Flatten
        out = self.linear(out)  # Linear layer for classification
        return out

Создайте и настройте модель:

net = SimpleDLA()
net = net.to(device)  # Move the model to the specified device (CPU or GPU)

# If using GPU, wrap the model in DataParallel to utilize multiple GPUs
if device == 'cuda':
    net = torch.nn.DataParallel(net)
    cudnn.benchmark = True  # Optimize performance for CUDA

# Resume training from checkpoint if required
if resume:
    print('==> Resuming from checkpoint..')
    assert os.path.isdir(checkpoint_dir), 'Error: no checkpoint directory found!'
    checkpoint = torch.load(checkpoint_file)
    net.load_state_dict(checkpoint['net'])
    best_acc = checkpoint['acc']
    start_epoch = checkpoint['epoch']

# Define loss function and optimizer
criterion = nn.CrossEntropyLoss()  # Cross-entropy loss for classification
optimizer = optim.SGD(net.parameters(), lr=0.1,
                      momentum=0.9, weight_decay=5e-4)  # SGD with momentum

# Learning rate scheduler with cosine annealing
scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=200)

Создайте функцию для создания искусственных проблем производительности.

Функция создает искусственные проблемы производительности для демонстрации рекомендаций. Эта функция намеренно вводит неэффективности для того, чтобы профилировщик мог сгенерировать полезные рекомендации по оптимизации.

Для создания функции выполните:

# Function to create artificial performance bottlenecks
def create_performance_bottlenecks(inputs, targets):
    # Problem 1
    if device == 'cuda':
        # Each .item() call forces GPU to wait for computation to finish
        for i in range(3):  # 3 unnecessary synchronizations
            _ = inputs.sum().item()  # .item() triggers CPU-GPU synchronization

        # Artificial delay to simulate poor optimization
        # This causes GPU idle time
        time.sleep(0.001)

    # Create problem 2
    large_tensor = torch.zeros(1000, 1000).to(inputs.device)
    for i in range(5):
        large_tensor = large_tensor + 0.1  # Redundant operations

    # Create problem 3
    intermediate_results = []
    for i in range(10):
        temp_result = inputs.clone()
        intermediate_results.append(temp_result)

    # Clear memory, but the pattern still demonstrates the issue
    del intermediate_results

    return inputs, targets

Создайте функцию тренировки одной эпохи.

На этом шаге вы выполните тренировку модели на одной эпохе с логированием в TensorBoard и возможностью профилирования производительности с рекомендациями.

# Function to train one epoch
def train(epoch):
    print('\nEpoch: %d' % epoch)
    net.train()  # Set model to training mode

    # Initialize metrics for current epoch
    train_loss = 0
    correct = 0
    total = 0

    # Variables for computing running average
    running_loss = 0.0
    running_correct = 0
    running_total = 0

    # Determine if profiling should be performed
    # Profile only the first epoch to save time
    should_profile = (epoch == start_epoch)

    if should_profile:
        # Start profiling with recommendations
        # Configure PyTorch profiler with extended parameters
        # to get detailed optimization recommendations
        with profile(
            # Profile both CPU and CUDA operations for complete analysis
            activities=[ProfilerActivity.CPU, ProfilerActivity.CUDA],

            # Profiling schedule:
            # wait=1 - wait for 1 step (not profiling)
            # warmup=1 - warmup for 1 step (not profiling)
            # active=5 - actively profile for 5 steps
            schedule=torch.profiler.schedule(wait=1, warmup=1, active=5),

            # Save results in TensorBoard format for visualization
            on_trace_ready=torch.profiler.tensorboard_trace_handler(log_dir),

            # Record tensor shape information for analysis
            record_shapes=True,

            # Record memory usage information
            profile_memory=True,

            # Record call stack for tracing
            with_stack=True,

            # Enable recommendations collection
            # Experimental configuration for detailed recommendations
            experimental_config=torch._C._profiler._ExperimentalConfig(verbose=True)
        ) as prof:

            # Use tqdm for progress display
            with tqdm(trainloader, unit="batch") as tepoch:
                for batch_idx, (inputs, targets) in enumerate(tepoch):
                    # Required step for profiler
                    # Inform profiler about new step
                    # Without this, profiling won't work correctly
                    prof.step()

                    # Profile more batches for better statistics
                    # Increase from 10 to 15 batches for more complete analysis
                    if batch_idx >= 15:
                        break

                    # Create artificial performance issues
                    # Add artificial bottlenecks to demonstrate recommendations
                    inputs, targets = create_performance_bottlenecks(inputs, targets)

                    # Transfer data to device (GPU/CPU)
                    inputs, targets = inputs.to(device), targets.to(device)

                    # Issue: Inefficient backward pass
                    # Perform multiple unnecessary forward/backward passes instead of one
                    # This creates excessive load and memory issues
                    if batch_idx % 3 == 0 and device == 'cuda':  # Every 3rd batch
                        # Unnecessary forward/backward passes
                        for _ in range(2):
                            # Process only part of the batch (inefficient)
                            extra_outputs = net(inputs[:32])  # Only part of the batch
                            extra_loss = criterion(extra_outputs, targets[:32])
                            # retain_graph=True causes memory issues
                            # and slows down execution
                            extra_loss.backward(retain_graph=True)

                    # Normal forward pass
                    # Zero gradients before new step
                    optimizer.zero_grad()

                    # Forward pass through the network
                    outputs = net(inputs)

                    # Compute loss function
                    loss = criterion(outputs, targets)

                    # Backward pass (gradient computation)
                    loss.backward()

                    # Update model weights
                    optimizer.step()

                    # Update metrics
                    # Accumulate overall metrics
                    train_loss += loss.item()
                    _, predicted = outputs.max(1)
                    total += targets.size(0)
                    correct += predicted.eq(targets).sum().item()

                    # Update running averages for logging
                    running_loss += loss.item()
                    running_total += targets.size(0)
                    running_correct += predicted.eq(targets).sum().item()

                    # Log metrics every 10 batches
                    if batch_idx % 10 == 0:
                        # Log current batch loss to TensorBoard
                        writer.add_scalar('Training/Loss_batch',
                                        loss.item(),
                                        epoch * len(trainloader) + batch_idx)
                        # Log current batch accuracy
                        writer.add_scalar('Training/Accuracy_batch',
                                        100.*running_correct/running_total,
                                        epoch * len(trainloader) + batch_idx)
                        # Reset counters for next window
                        running_loss = 0.0
                        running_correct = 0
                        running_total = 0

                    # Update progress display
                    tepoch.set_postfix(loss = loss.item(), accuracy = 100.*correct/total)
    else:
        # Normal training without profiling
        # Used for other epochs to save time
        with tqdm(trainloader, unit="batch") as tepoch:
            for batch_idx, (inputs, targets) in enumerate(tepoch):
                # Add some issues even in normal mode
                # for consistent issues
                if batch_idx % 5 == 0:  # Every 5th batch has issues
                    inputs, targets = create_performance_bottlenecks(inputs, targets)

                # Normal training without artificial issues
                inputs, targets = inputs.to(device), targets.to(device)
                optimizer.zero_grad()
                outputs = net(inputs)
                loss = criterion(outputs, targets)
                loss.backward()
                optimizer.step()

                # Update metrics
                train_loss += loss.item()
                _, predicted = outputs.max(1)
                total += targets.size(0)
                correct += predicted.eq(targets).sum().item()

                # Update running averages
                running_loss += loss.item()
                running_total += targets.size(0)
                running_correct += predicted.eq(targets).sum().item()

                # Log metrics every 10 batches
                if batch_idx % 10 == 0:
                    writer.add_scalar('Training/Loss_batch',
                                    loss.item(),
                                    epoch * len(trainloader) + batch_idx)
                    writer.add_scalar('Training/Accuracy_batch',
                                    100.*running_correct/running_total,
                                    epoch * len(trainloader) + batch_idx)
                    running_loss = 0.0
                    running_correct = 0
                    running_total = 0

                # Update progress display
                tepoch.set_postfix(loss = loss.item(), accuracy = 100.*correct/total)

    # Log epoch metrics
    # Compute average values for the epoch
    epoch_loss = train_loss/len(trainloader)
    epoch_acc = 100.*correct/total

    # Log epoch metrics to TensorBoard
    writer.add_scalar('Training/Loss_epoch', epoch_loss, epoch)
    writer.add_scalar('Training/Accuracy_epoch', epoch_acc, epoch)

    # Log current learning rate
    writer.add_scalar('Learning_Rate', scheduler.get_last_lr()[0], epoch)

Создайте функцию тестирования модели.

На этом шаге вы протестируете модель на тестовой выборке с логированием результатов.

def test(epoch):

    global best_acc  # Use global variable for best accuracy

    net.eval()  # Set model to evaluation mode (disable dropout/batchnorm training)

    # Initialize test metrics
    test_loss = 0
    correct = 0
    total = 0

    # Disable gradient computation for faster evaluation
    with torch.no_grad():
        # Use tqdm to display progress
        with tqdm(testloader, unit="batch") as tepoch:
            for inputs, targets in tepoch:
                # Move data to device
                inputs, targets = inputs.to(device), targets.to(device)

                # Forward pass
                outputs = net(inputs)

                # Compute loss
                loss = criterion(outputs, targets)

                # Update metrics
                test_loss += loss.item()
                _, predicted = outputs.max(1)
                total += targets.size(0)
                correct += predicted.eq(targets).sum().item()

                # Update progress bar
                tepoch.set_postfix(loss=loss.item(), accuracy=100. * correct / total)

    # Compute test accuracy
    acc = 100. * correct / total

    # Save checkpoint if accuracy improved
    if acc > best_acc:
        print('Saving..')
        state = {
            'net': net.state_dict(),  # Model state
            'acc': acc,               # Accuracy
            'epoch': epoch,           # Epoch number
        }
        # Create directory if it does not exist
        if not os.path.isdir(checkpoint_dir):
            os.mkdir(checkpoint_dir)
        # Save checkpoint
        torch.save(state, checkpoint_file)
        best_acc = acc  # Update best accuracy

    # Compute average test loss
    test_loss_avg = test_loss / len(testloader)

    # Log test metrics to TensorBoard
    writer.add_scalar('Testing/Loss', test_loss_avg, epoch)
    writer.add_scalar('Testing/Accuracy', acc, epoch)
    writer.add_scalar('Testing/Best_Accuracy', best_acc, epoch)

# Log model architecture to TensorBoard
# Create dummy input for graph visualization
dummy_input = torch.randn(1, 3, 32, 32).to(device)
# Add model graph to TensorBoard
writer.add_graph(net, dummy_input)

Запустите основной цикл обучения.

Обучение может занимать до 30 минут.

# Main training loop
# Iterate over all epochs
for epoch in range(start_epoch, start_epoch + max_epoch):
    train(epoch)     # Train the model
    test(epoch)      # Test the model
    scheduler.step() # Update learning rate

# Finish up
# Close the writer to ensure logs are properly saved
writer.close()

Выполните демонстрационный код для проверки работы обученной модели.

Код отображает одно изображение из тестовой выборки и показывает, как модель классифицирует его.

# Demonstration code
# Code to demonstrate the trained model's performance
import numpy as np
import matplotlib.pyplot as plt

# Take the 15th example from the test dataset
img = testset[14][0]
label = testset[14][1]

# Convert image for display
img_np = img.numpy()
img_np = np.transpose(img_np, (1, 2, 0))  # Change axis order (CHW -> HWC)
plt.imshow(img_np)  # Display the image
plt.show()          # Show the plot

# Prepare image for prediction
img = img.reshape(1, 3, 32, 32)  # Add batch dimension

# Make prediction without gradient computation
with torch.no_grad():
    logits = net(img)                    # Get logits
    predicted_label = torch.argmax(logits)  # Find class index with highest probability

# Print results
print(f"Label: {classes[label]}")                    # True label
print(f"Predicted: {classes[predicted_label.item()]}")  # Predicted label

Модель распознала объект как грузовик — предсказание верное.

3. Настройте PyTorch Profiler

На этом шаге вы настроите TensorBoard PyTorch Profiler и познакомитесь с интерфейсом.

Перейдите на вкладку TensorBoard.
В поле Log Dir введите скопированный путь до папки runs.
Дождитесь загрузки визуализации процесса обучения и различные метрики.
Перейдите на вкладку PYTORCH_PROFILER.

4. Ознакомьтесь с методами визуализации PyTorch Profiler

На этом шаге вы научитесь анализировать результаты профилирования для оптимизации производительности модели.

На вкладке PYTORCH_PROFILER отображаются следующие показатели:

Runs — отдельные запуски экспериментов, тренировки и валидации, которые вы профилировали. Их можно выбирать и сравнивать между собой.
Views — способы представления профилированных данных для анализа:
- Overview — сводка нагрузки устройства и времени, общая загрузка CPU/GPU, время шагов (forward, backward, optimizer), распределение времени по категориям (Kernel, Memcpy, CPU Exec и др.) и рекомендации профайлера.
- Operator — статистика по PyTorch-операторам, например aten::empty и aten::add. Количество вызовов и время на CPU и GPU.
- GPU Kernel — детальный анализ отдельных GPU-ядр. Список запущенных ядер, длительность каждого ядра, использование Tensor Cores, заполненность SM (SM occupancy).
- Trace — временная диаграмма исполнения потоков. Позволяет детально рассмотреть конкурентность, использование потоков и временные интервалы различных операций.
- Memory — использование видеопамяти по времени. Объем выделенной (Allocated) и зарезервированной (Reserved) памяти. Точки аллокаций/освобождений и пиковое потребление.
- Module — дерево вызовов на уровне слоев PyTorch. Отображает подмодули и операторы, вызванные внутри каждого модуля, время выполнения на CPU/GPU для каждого уровня.
Workers — источник данных профилирования (процессы/потоки). Например, main-процесс, DataLoader и их потоки. Объем собранных данных для каждого.
Spans — интервалы времени, за которые собирается статистика. Позволяет профилировать только интересующие фрагменты обучения. Например, первые 10 % эпохи или отдельные итерации.

Внутренние показатели профилирования GPU:

Host, Device Total, Self Duration — общее время выполнения оператора/ядра и время в self-режиме, без учета вложенных вызовов.
Tensor Cores Used — степень использования tensor-ядер, важна для операций FP16/FMA.
Calls — количество вызовов операции/ядра.
Mean Est. Achieved Occupancy — заполненность мультипроцессоров, показатель эффективности загрузки GPU.
Peak Memory Usage — пиковое использование памяти.
Allocated/Reserved Memory Usage — объем выделенной и зарезервированной памяти в мегабайтах.
Module Name, Occurrences, Operators — название слоя, количество его вызовов и число различных операторов внутри него.

Показатели позволяют оценить эффективность использования вычислительных ресурсов и планировать оптимизацию.

5. Проанализируйте результаты

На этом шаге вы проанализируете результаты на основе Spans 1.

Overview (Обзор)

Основное:

Device: GPU (Tesla V100-SXM3-32GB).
GPU Utilization: 79.5% — хорошая загрузка, но не максимальная.
Est. SM Efficiency: 75.77%.
Achieved Occupancy: 36.85% — невысокая, есть потенциал для увеличения.
Step Time: 59,925 us (микросекунд).
Kernel: 81.3% — основная часть времени тратится на вычисления на GPU.
CPU Exec: 8.45%
Other: 9.82%

Вывод:

Узкие места — основное время уходит в GPU-ядра (Kernel), но низкий уровень occupancy может указывать на то, что не все ресурсы GPU используются оптимально. Например, низкие значения в показателе batch size указывают на неэффективные ядра.

Operator View (Операторы)

Основное:

Представлен разрез времени для топ-10 PyTorch операторов.
Крупнейшие по времени: aten::empty_strided, aten::copy_, aten::_to_copy — создание тензоров и копирование.
Основные вычислительные операции — aten::convolution, aten::cudnn_convolution.
Нет нагрузок на Tensor Cores — значения 0.

Вывод:

Замечено большое число вызовов операций выделения памяти: aten::empty, aten::empty_strided. Это может косвенно указывать на частое создание новых тензоров — повышенное потребление памяти и время на управление памятью.
Большая часть операторов не использует Tensor Cores. Если вы работаете с mixed precision FP32, это нормально, но для mixed precision (FP16) производительность можно повысить.

GPU Kernel View (Ядра графического процессора)

Основное:

Наибольшее время занимают матричные ядра volta_sgemm_* и *_cudnn_*, что характерно для сверточных сетей.
Абсолютное доминирование синего цвета означает, что почти все ядра не используют Tensor Cores.

Вывод:

Модель не использует Tensor Cores.
Если задача позволяет, попробуйте включить mixed precision (AMP) — это поможет ускорить обучение на современных GPU.

Trace (Временная диаграмма)

Основное:

Видна характерная картина многопоточности — различные потоки CPU.
Можно посмотреть, нет ли интервалов между последовательностями событий.

Вывод:

Не видно крупных задержек (пробелов) — загрузка CPU-потоков ровная.
Нет интервалов между последовательностями событий.

../_images/s__training-tensorboard10.png

Memory View (Память)

Основное:

Peak GPU Memory Usage: 1419.1 MB — для V100 это небольшая часть доступной памяти. Можно повысить batch size для большего использования GPU.
Основные аллокации идут на операцию aten::cudnn_convolution.
График показывает закономерное выделение и освобождение памяти — три возвышения по числу итераций/батчей.

Вывод:

Модель экономно расходует память, возможен запас для увеличения batch size, это поможет GPU-occupancy.
Нет чрезмерного расхода памяти.

../_images/s__training-tensorboard11.png

Module View (Модули)

Основное:

Вызовы отслеживаются до слоев: DataParallel, CrossEntropyLoss, SimpleDLA.
Отображается детальная callstack-структура: видно, где и к каким операторам обращается модуль.

Вывод:

Можно использовать эти данные для pinpoint-анализа долгих вызовов внутри отдельных модулей.
Видно, что DataParallel использует относительно много времени на CPU — обычная ситуация для single-GPU.

../_images/s__training-tensorboard12.png

Обратите внимание, что если менять Spans, отображаемая информация может радикально меняться, также будут появляться рекомендации от TensorBoard.

Например, при параметрах:

../_images/s__training-tensorboard13.png

Мы получаем рекомендацию, связанную с низкой утилизацией GPU:

../_images/s__training-tensorboard14.png

Результат

В ходе практической работы вы научились использовать TensorBoard с PyTorch Profiler для анализа производительности моделей машинного обучения.

Вы создали нейронную сеть для классификации изображений, обучили ее с применением инструментов профилирования и изучили методы анализа результатов для оптимизации производительности.

PyTorch Profiler — мощный диагностический инструмент, который существенно повышает качество кода и эффективность разработки нейронных сетей, делая его обязательным к использованию в любом крупном ML проекте.

Предыдущая статья

Создание Telegram-бота для поиска информации из Jira на основе Notebooks

Следующая статья

Создание Telegram-бота без написания кода с помощью n8n на основе Container Apps или Notebooks

Эта статья полезна?

Поддержка Юридические документы