TensorFlow学习笔记2-性能分析工具

TensorFlow学习笔记2-性能分析工具

性能分析工具

1. 在spyder中运行以下代码:

import tensorflow as tf
from tensorflow.python.client import timeline

#构造计算图
x = tf.random_normal([1000, 1000])
y = tf.random_normal([1000, 1000])
res = tf.matmul(x, y)

#运行计算图, 同时进行跟踪
with tf.Session() as sess:
  run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)
  run_metadata = tf.RunMetadata()
  sess.run(res, options=run_options, run_metadata=run_metadata)

  #创建Timeline对象,并将其写入到一个json文件
  tl = timeline.Timeline(run_metadata.step_stats)
  ctf = tl.generate_chrome_trace_format()
  with open('timeline.json', 'w') as f:
    f.write(ctf)

使用with tf.Session() as sess进行处理，运算完成后会自动关闭session，不需要再显示地sess.close()

上述代码将session的运行情况写入到timeline.json文件。

注意：如果上述代码在spyder中报错，报错内容为 Couldn't open CUDA library cupti64_92.dll

解决办法: 用everything搜索cupti64_92.dll，并把它复制到你的CUDA环境变量对应的目录:如CUDAv9.2incupti64_92.dll

2. 打开你的源文件路径，可以看到已经有了timeline.json文件。在chrome浏览器中打开chrome://tracing/，然后load上述timeline.json文件，可以看到时序图。

3. 进行分析：

左下角的Args中：

• name：输出tensor
• op：运算
• input0：输入tensor

以pid 3为例，是GPU:0的进程：点击NoOp，这意味着没有Op操作；然后是Const操作，它没有输入，输出是random_normal/shape；然后RandomStandardNormal操作，它输入是random_normal/shape，输出是random_normal/RandomStandardNormal；紧接着仍然是RandomStandardNormal操作，它输入也是random_normal/shape，输出是random_normal_1/RandomStandardNormal；最后是MatMul操作，输入是random_normal/RandomStandardNormal与random_normal_1/RandomStandardNormal，输出是MatMul。

4. 指派设备

上述代码是默认指派到gpu0进行运算的，你也可以用with tf.device('/cpu:0')将运算指派到你想要的设备：例如，你可以将上述代码更改为：

import tensorflow as tf
from tensorflow.python.client import timeline

#构造计算图
with tf.device('/cpu:0'):
  x = tf.random_normal([1000, 1000])
  y = tf.random_normal([1000, 1000])
res = tf.matmul(x, y)

#运行计算图, 同时进行跟踪
with tf.Session() as sess:
    run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)
    run_metadata = tf.RunMetadata()
    sess.run(res, options=run_options, run_metadata=run_metadata)

    #创建Timeline对象,并将其写入到一个json文件
    tl = timeline.Timeline(run_metadata.step_stats)
    ctf = tl.generate_chrome_trace_format()
    with open('timeline.json', 'w') as f:
        f.write(ctf)

在浏览器中打开timeline.json后，可以看到

• 常量的生成，随机矩阵的创建是在CPU进行运算；
• 将两个随机矩阵内存搬运到GPU(MEMCPYHtoD)；
• 在GPU上进行MatMul运算;
• 将GPU的运算结果搬回CPU(MEMCPYDtoH)。

警告

当你每次调用 sess.run 时，一定要确保好，不要设置 FULL_TRACE，否则会降低训练的速度。可以每100-1k 次训练设置1次FULL_TRACE.