AIACC-AGSpeed（AIACC 2.0-AIACC Graph Speeding）是阿里云推出的一个基于PyTorch深度学习框架研发的计算优化编译器，用于优化PyTorch深度学习模型在阿里云GPU异构计算实例上的计算性能，相比原始的神龙AI加速引擎AIACC，AIACC-AGSpeed是AIACC 2.0产品的实现，是完全独立的产品形态，可以实现无感的计算优化功能。
AIACC-AGSpeed介绍
AIACC-AGSpeed简称为AGSpeed，AGSpeed作为阿里云自研的AI训练计算优化编译器，对PyTorch深度学习框架训练过程中的计算性能进行深度优化，具有其显著的计算性能优势。
AGSpeed的组件架构图如下所示：
组件架构 |
说明 |
编译器前端 |
AGSpeed编译器前端集成了由神龙AI训练性能和加速团队进行深度优化后的TorchDynamo，您无需修改任何模型代码，AGSpeed前端直接从PyTorch Eager API中抓取计算图，并将计算图交给AGSpeed Backend Autotuner处理，Autotuner会自动选择性能优化效果最佳的后端实现，为您提供了最佳的性能体验。 |
编译器后端 |
AGSpeed编译器后端集成了由神龙AI训练性能和加速团队为TorchScript IR研发的IR优化Pass，用于启用更多融合操作来提升性能。另外，AGSpeed后端还集成了由神龙AI训练性能和加速团队进行深度优化后的NvFuser，相比原生NvFuser具有更强的鲁棒性和优化性能。 |
受限场景说明
在AGSpeed编译器前端，如果使用Dynamic Tensor Shape会触发Re-capture、Re-optimize、Re-compile动作，可能会导致AGSpeed的计算优化性能回退，建议您尽可能使用agspeed.optimize()接口优化模型的静态部分。具体原因和建议如下所示：
说明：静态指的是输入Tensor的shape不变，模型在向前传播过程中计算得到的中间变量的shape也保持不变。
- 原因
- 在AGSpeed编译器前端，如果存在Dynamic Tensor Shape，可能会导致TorchDynamo重新抓取计算图并且重新执行convert frame，对优化性能产生较大影响。
- 在AGSpeed编译器后端，如果存在Dynamic Tensor Shape，会导致TorchScript重新specialize graph，并重新执行所有的优化Pass。另外，NvFuser后端也有可能会为新的Tensor Shape重新编译新的kernel，这些都会对性能产生较大影响。
- 建议
使用agspeed.optimize()接口优化模型的静态部分可以有效避免上述限制。例如，针对目标检测模型，仅使用agspeed.optimize()优化深度学习的backbone，避免封装检测头，因为检测头部分计算的中间变量存在shape多变的现象。
好啦！小弹的分享到此为止。我们更欢迎您分享您对阿里云产品的设想、对功能的建议或者各种吐槽，请扫描提交问卷并获得社区积分或精美礼品一份。https://survey.aliyun.com/apps/zhiliao/P4y44bm_8
【扫码填写上方调研问卷】
欢迎每位来到弹性计算的开发者们来反馈问题哦~
