个人设计师网站,修改WordPress文章发布模板,怎么评价一个网站做的好否,网站建设 盈科有时候模型训练很慢#xff0c;代码写得冗长之后#xff0c;没法诶个检查到底那块出现了占用了时空间#xff0c;本节通过利用Lightning的一些方法#xff0c;检查分析是那块代码出现了问题#xff0c;从而来进一步指导和优化代码 本节主要基于性能分析方法#xff0c;通… 有时候模型训练很慢代码写得冗长之后没法诶个检查到底那块出现了占用了时空间本节通过利用Lightning的一些方法检查分析是那块代码出现了问题从而来进一步指导和优化代码 本节主要基于性能分析方法通过捕获分析信息例如函数花费的时间或使用了多少内存帮助我们找到代码中的瓶颈。
找到训练时候的瓶颈
最基本的性能分析配置文件包含训练中Callback、DataModules和LightningModule中的所有关键方法。可以通过如下方法引入
trainer Trainer(profilersimple)一旦执行.fit()方法则可以看到如下类似结果
FIT Profiler Report
-----------------------------------------------------------------------------------------------
| Action | Mean duration (s) | Total time (s) |
-----------------------------------------------------------------------------------------------
| [LightningModule]BoringModel.prepare_data | 10.0001 | 20.00 |
| run_training_epoch | 6.1558 | 6.1558 |
| run_training_batch | 0.0022506 | 0.015754 |
| [LightningModule]BoringModel.optimizer_step | 0.0017477 | 0.012234 |
| [LightningModule]BoringModel.val_dataloader | 0.00024388 | 0.00024388 |
| on_train_batch_start | 0.00014637 | 0.0010246 |
| [LightningModule]BoringModel.teardown | 2.15e-06 | 2.15e-06 |
| [LightningModule]BoringModel.on_train_start | 1.644e-06 | 1.644e-06 |
| [LightningModule]BoringModel.on_train_end | 1.516e-06 | 1.516e-06 |
| [LightningModule]BoringModel.on_fit_end | 1.426e-06 | 1.426e-06 |
| [LightningModule]BoringModel.setup | 1.403e-06 | 1.403e-06 |
| [LightningModule]BoringModel.on_fit_start | 1.226e-06 | 1.226e-06 |
-----------------------------------------------------------------------------------------------在这个打印出来的报告中我们可以看到最慢的函数是prepare_data现在我们可以弄清楚为什么数据准备会减慢训练速度。执行profilersimple会包括:
on_train_epoch_starton_train_epoch_endon_train_batch_startmodel_backwardon_after_backwardoptimizer_stepon_train_batch_endon_training_end等等……
分析每个函数内的时间
要分析每个函数花费的时间使用构建在Python的cProfiler之上的AdvancedProfiler如下引用
trainer Trainer(profileradvanced)执行fit后会出现如下结果
Profiler ReportProfile stats for: get_train_batch4869394 function calls (4863767 primitive calls) in 18.893 seconds
Ordered by: cumulative time
List reduced from 76 to 10 due to restriction 10
ncalls tottime percall cumtime percall filename:lineno(function)
3752/1876 0.011 0.000 18.887 0.010 {built-in method builtins.next}1876 0.008 0.000 18.877 0.010 dataloader.py:344(__next__)1876 0.074 0.000 18.869 0.010 dataloader.py:383(_next_data)1875 0.012 0.000 18.721 0.010 fetch.py:42(fetch)1875 0.084 0.000 18.290 0.010 fetch.py:44(listcomp)60000 1.759 0.000 18.206 0.000 mnist.py:80(__getitem__)60000 0.267 0.000 13.022 0.000 transforms.py:68(__call__)60000 0.182 0.000 7.020 0.000 transforms.py:93(__call__)60000 1.651 0.000 6.839 0.000 functional.py:42(to_tensor)60000 0.260 0.000 5.734 0.000 transforms.py:167(__call__)如果分析器报告变得太长可以将报告流式传输到一个文件
from lightning.pytorch.profilers import AdvancedProfilerprofiler AdvancedProfiler(dirpath., filenameperf_logs)
trainer Trainer(profilerprofiler)很方便
分析加速器使用情况
另一种检测瓶颈的有用技术是确保正在使用加速器(GPU/TPU/IPU/HPU)的全部容量。这可以用DeviceStatsMonitor来测量:
from lightning.pytorch.callbacks import DeviceStatsMonitortrainer Trainer(callbacks[DeviceStatsMonitor()])CPU指标将在CPU加速器上默认跟踪。设置DeviceStatsMonitor(cpu_statsTrue)为其他加速器启用它。要禁用记录CPU指标可以指定DeviceStatsMonitor(cpu_statsFalse)。
